基于深度几何学习的抗体-抗原结合亲和力预测框架研究

本文提出一种融合结构特征与进化信息的深度几何神经网络，通过多尺度层次注意力机制模拟抗体-抗原相互作用空间，在包含超10万序列对和8千结构对的广义数据集上实现结合亲和力预测精度显著提升（MAE降低10%，相关性>0.87），为生物制药研发提供新范式。

　　

亮点

• 构建迄今最全面的抗体-抗原结合亲和力预测数据集（含多抗原变体）

• 提出双通道几何神经网络，融合原子级结构特征与序列进化信息

• 通过交叉注意力机制实现结构模型与序列模型的知识共享

• 多尺度层次注意力模块精准模拟抗体-抗原相互作用空间

方法

本研究详细阐述数据集构建流程及双模型架构：序列模型处理蛋白质氨基酸序列，结构模型通过图卷积和图注意力操作解析3D分子结构。两种模型通过交叉注意力块实现信息互通，其中多尺度层次注意力模块有效捕获抗体-抗原复合物的相互作用模式。数学推导证明了所采用深度学习技术的合理性。

结果

通过与文献基线模型对比实验，系统验证了融合进化信息（序列模型）与原子级细节（结构模型）的协同优势。结果按以下子章节展开：数据集构建评估、混合模型性能、序列模型贡献度分析、结构模型有效性验证。

结论

药物研发中药物效价取决于分子与靶标的相互作用强度，结合亲和力是量化该作用的关键指标。本研究开发的预测框架显著提升亲和力预测精度，为高特异性药物设计提供新工具。模型优化策略、权重空间分析和可解释性研究进一步佐证了方法的可靠性。