AbAgym：一个精心策划的数据集，用于抗体-抗原复合物的突变分析

《mAbs》：AbAgym: a well-curated dataset for the mutational analysis of antibody–antigen complexes

抗体-抗原复合物突变数据集AbAgym构建及预测模型评估。该数据库包含68个DMS实验的324,752个突变数据点，涵盖SARS-CoV-2刺突蛋白、HIV包膜蛋白等抗原类型，通过Swiss-Model建模和GROMACS能量最小化修正结构。实验表明，现有计算模型（包括能量场方法和机器学习）对突变影响的预测效果有限，Spearman相关系数最高仅0.28，ROC-AUC最高0.72，显著低于RSA基线。研究强调需结合结构生物学分析，特别是构象变化和寡聚状态的影响，为抗体设计提供新工具。

　　
该研究针对抗体-抗原复合物中单突变位点对结合亲和力的影响展开系统性分析，并构建了首个大规模、多维度的抗体-抗原突变数据库AbAgym。数据库整合了68个DMS（深度突变扫描）实验数据，涵盖30种SARS-CoV-2刺突蛋白变体、HIV envelope蛋白、NGF等11种病原体抗原及酶蛋白，包含32.4752个独立突变数据点，其中3.6541个位于结合界面。数据构建经过三阶段严格处理：首先从文献中筛选出抗体或抗原突变实验，排除低质量数据后保留68组符合结构完整性和突变位点数≥10的标准数据。接着通过Swiss-Model进行PDB结构重构，使用GROMACS Amber力场优化解决原子冲突，并统一抗体重链（H）和轻链（L）命名规则。最后采用6?溶剂接触标准确定结合界面边界，建立包含突变位点三维坐标、实验评分及结构数据的标准化表格。

研究揭示抗体-抗原结合界面存在显著的结构特征：83%的高影响突变位点（DMS score>2.5SD）位于界面附近（<6?），其中14.6%的突变位点影响范围超过20?，显示长程结构效应。值得注意的是，尽管SARS-CoV-2刺突蛋白的RBD区域仅占全蛋白1.2%，但贡献了AbAgym中35.7%的突变数据。通过分析突变热点氨基酸组成，发现Cys（2.8%）、Phe（2.1%）、Glu（1.9%）等形成二硫键或氢键的关键残基占比显著高于背景频率，而Leu（0.7%）和Met（0.6%）这类疏水残基在热点中稀缺。这种氨基酸偏好性可能与抗体-抗原结合的静电互补和疏水作用主导机制相关。

在模型性能评估方面，研究对比了能量场方法（FoldX、BeAtMuSiC）、进化模型（LOR、CI）和机器学习模型（SAAMBE-3D、mCSM-AB、SaProt）。结果显示所有模型的Spearman相关系数均低于0.3，最高仅达0.28，ROC-AUC最高0.72。值得注意的是，FoldX在预测稳定性突变时表现优于BeAtMuSiC，但两者预测亲和力变化的准确率仍显著低于随机基准（RSA）模型。这可能与抗体-抗原复合物特有的动态特性有关，如构象可变（如刺突蛋白的up/down构象）、寡聚体组装（如HIV env蛋白四聚体）等复杂因素未被现有模型充分捕捉。

研究特别指出两种关键局限性：其一，DMS实验本身存在空间分辨率不足的问题，平均突变检测精度为8.3?，导致部分远端突变被误判；其二，不同实验平台（酵母展示、假病毒系统）导致的评分量纲差异，经标准化处理后模型性能提升约12%。针对后者，研究创新性地提出双阶段归一化方法：首先采用基于Angiopoietin 2-G6数据的分位数归一化消除分布偏移，再通过Min-Max缩放消除量纲差异，使线性模型预测的Spearman系数从0.18提升至0.27。

在结构生物学层面，研究揭示了抗体-抗原复合物中独特的动态稳定机制。例如在Lassa病毒GPC复合物中，位于18?外的S135突变通过改变次级接触网络，间接导致亲和力下降2.3倍。这种长程效应在HIV env蛋白四聚体中尤为显著，D257和R258的突变通过改变寡聚体构象，使抗体结合能降低1.8kcal/mol。结构建模显示，32.6%的稳定突变涉及形成或破坏离子-π键，而24.3%的突变与氢键网络重构相关，这为抗体设计提供了新的靶点方向。

研究还发现实验技术对数据质量的影响：酵母展示系统（如SARS-CoV-2刺突）的突变可检测性（95%±3%）显著高于假病毒系统（HIV env）的81%±7%。在数据预处理阶段，通过构建包含289种突变类型的标准化氨基酸替换库，解决了传统数据库（如AB-Bind）中62%的突变类型覆盖不全的问题。特别开发的交叉验证框架（留一复合体交叉验证）使模型泛化性评估准确率提升至89.7%。

数据库的实用价值体现在三个方面：首先，为抗体设计提供高置信度突变靶点（置信度>85%的突变位点占总量12.7%）；其次，整合了12种新型抗原（如Lassa病毒GPC、Zika envelope蛋白）的突变数据，填补了传统数据库的覆盖空白；最后，开发了自动化数据转换工具（GitHub仓库中包含Python脚本），可将非结构化图片热力图（如ANG2-G6数据）快速转化为标准化表格格式，处理效率达每小时1200个突变位点。

当前研究仍存在三个待突破方向：其一，现有预测模型对构象可变抗原（如SARS-CoV-2刺突）的预测误差高达37.6%，需开发动态模型；其二，数据库中仅包含39.7%的界面突变，远端影响因子建模存在空白；其三，未涵盖中和抗体设计中的关键参数（如ADCC激活能力）。研究建议后续工作可整合表面等离子共振（SPR）等动态结合实验数据，并开发基于注意力机制的深度学习模型，以提升长程效应预测能力。

AbAgym数据库的构建标志着抗体设计进入系统化数据驱动时代。该平台已实现多维度数据可视化（包括突变热点热力图、结构相互作用网络图等），为计算生物学和药物设计领域提供了标准化数据基准。根据预评估，基于AbAgym训练的模型在新型抗体开发中的迭代周期可缩短40%，而免疫逃逸预测准确率提升至82.3%，这为疫苗研发和抗病毒药物设计提供了重要工具。