SprintX：基于合成结构先验知识数据集缓解抗体设计中的数据稀缺性

《mAbs》：SprintX: mitigating data scarcity in antibody design via synthetic structural prior knowledge dataset

　　

基于结构的人工智能驱动抗体设计在治疗开发中日益重要，然而高质量抗体-抗原复合物结构用于模型训练的稀缺性阻碍了进展。为缓解这一瓶颈，研究人员引入SprintX（Structural Prior for Antibody–Antigen CompleXes），这是一个大规模AlphaFold3衍生的合成数据集，旨在为抗体-抗原建模提供结构先验知识。与传统的基于对接的合成流程不同，SprintX利用AlphaFold3从采样的抗体序列与选定抗原配对中生成抗原条件化的候选复合物结构预测，而不施加预定义的结合位点或构象约束。对候选结构进行排序，为每个抗体-抗原对选取一个代表性结构，随后进行末端修剪和多阶段质量控制。为提高可靠性和学习稳定性，研究人员应用了一个多阶段质量控制流程，整合全局置信度指标、立体化学验证以及界面水平的接触分析。SprintX重现了实验解析的抗体-抗原复合物的关键几何特征和物理化学规律，同时过滤掉结构不稳定或不合理的合成输出。在下游任务中，包括抗体生成、计算结合亲和力预测以及结合界面预测，经SprintX预训练的模型在结构合理性方面显示出有意义的改进，并在计算结合亲和力和结合界面预测基准测试中展现出竞争性表现。这些结果表明，SprintX并非作为实验解析复合物的替代品，而是作为结构感知抗体建模的结构先验知识的补充来源。最后，研究人员将SprintX作为一个开放获取的资源发布，以促进人工智能驱动抗体设计中的数据高效学习。

研究背景与问题

抗体因其高特异性和强结合亲和力被广泛用于多种疾病治疗。与相对局部化的小分子口袋结合不同，抗体通过广泛的、多环的三维界面识别抗原，这些结构特征决定了结合特异性、稳定性和治疗效果。然而，抗体的结构复杂性，尤其是互补决定区（CDR）的构象可变性，给传统实验设计方法带来了巨大的时间和成本限制。因此，基于人工智能的方法近年来受到关注，用以自动化和加速抗体设计。

当前深度学习在抗体研究中主要分为两个方向：抗体-抗原相互作用预测和基于结构的抗体生成。尽管这些方法在模型架构和任务定义上有所差异，但它们都共同依赖准确的抗体-抗原复合物结构进行训练、评估或结构监督。这种共同依赖性使得高质量抗体-抗原复合物结构的有限可用性成为基于结构抗体建模的根本瓶颈。实验解析的复合物数量远少于抗体序列数据，且获取成本高昂、技术挑战巨大。这种稀缺性不仅限制了训练数据的规模，也限制了下游模型可用的抗原家族多样性、表位位置、CDR构象以及互补位-表位相互作用模式。因此，仅依赖实验复合物训练的模型可能难以学习跨抗原家族或抗体-抗原界面几何形状的广泛可迁移结构先验。

近期，一些结构资源改进了现有实验抗体数据的识别、组织和标注，例如SAAINT-DB、SNAC-DB和NAStructuralDB。此外，基于对接的数据增强方法如AbSet提供了另一种扩充结构数据集的途径。与此同时，一种互补策略是从采样的抗体序列和选定的抗原中构建额外的复合物假设，而无需每个建模对都有实验解析的同源复合物。关键在于，这些计算生成的结构能否为下游抗体建模提供有用的结构先验信息。蛋白质结构预测的最新进展，如RoseTTAFold、AlphaFold系列和NeuralPLexer3，特别是AlphaFold3（AF3）在抗体-抗原复合物预测中表现出色，为大规模合成复合物生成提供了实用基础。

研究内容与结论

本研究提出SprintX，这是一个利用AF3生成的大规模合成抗体-抗原复合物数据集，旨在弥补实验解析复合物结构的稀缺性。SprintX被设计为一个数据驱动的结构先验资源，而非SAbDab（实验解析抗体结构和抗体-抗原复合物的策展库）的替代品或新的抗体设计模型。通过结合基于AF3的复合物生成与多阶段质量过滤、立体化学验证和界面水平分析，SprintX旨在为下游学习提供结构多样且物理合理的抗体-抗原复合物。研究人员评估了SprintX是否保留了实验SAbDab复合物中观察到的几何和物理化学特性，以及它是否能改善人工智能驱动抗体建模中的代表性下游任务，包括抗体生成、结合亲和力预测和抗体-抗原界面预测。

主要贡献：引入了SprintX，一个利用AF3生成的大规模合成抗体-抗原复合物数据集；验证了其结构保真度，表明SprintX在扩展界面水平结构多样性的同时，保留了实验SAbDab复合物中观察到的典型CDR几何结构、结构域取向和物理化学相互作用模式；证明了其实用价值，显示SprintX能在抗体生成、结合亲和力预测和界面预测任务中提供有用的结构先验知识。

关键技术方法

研究人员首先从Observed Antibody Space（OAS）数据库获取大量人源抗体序列，经MMseqs2聚类（90% VH-VL序列同一性，80%比对覆盖率）获得约225万代表性序列，再通过ANARCI进行IMGT编号，确保保守残基完整。基于Hoeffding不等式统计采样得到52,000条独特抗体序列。目标抗原选自13种临床相关的治疗靶点，分为四类：受体酪氨酸激酶（RTK）、免疫受体、B/T细胞表面抗原和细胞因子。利用AlphaFold3（AF3）为每对抗体-抗原序列对生成25个候选结构，并根据AF3的排名分数选取最优代表结构。随后进行多阶段质量控制：基于pTM（预测模板建模得分）≥0.5的全局置信度筛选、基于MolProbity的立体化学验证（包括clashscore、Ramachandran异常值和rotamer异常值），以及基于溶剂可及表面积（SASA）和距离阈值的界面接触分析。最终保留约28,000个高质量复合物，并为其分配基于AREA-AFFINITY的结合亲和力伪标签和基于几何的残基水平界面标签。

研究结果

2.1 SprintX的结构保真度和多样性

2.1.1 多样性分析：序列、预测表位接触和相互作用模式

研究人员分析了序列组成、预测表位接触分布和残基水平相互作用模式。序列多样性方面，从OAS获得的候选池经聚类后得到约225万代表性序列，采样范围覆盖CDRH3长度5至30个残基。预测表位接触多样性分析显示，在EGFR等抗原表面观察到多个空间分离的预测接触热点，而非单一局限区域。相互作用模式多样性方面，SprintX中残基-残基相互作用的分布与实验SAbDab复合物高度相似，呈现广泛分布的谱系。

2.1.2 结构保守性和生物物理有效性

所有SprintX中的抗体均保留了保守残基（Cys23、Cys104和Trp41）。保守半胱氨酸残基间的二硫键距离集中在约2.0 ?的物理允许范围内。界面化学性质分析显示，SprintX在极性-极性接触、疏水-疏水接触、芳香族参与接触和相反电荷接触四种化学性质的分布上与SAbDab高度吻合，Wasserstein距离很小。

2.1.3 主链几何和结构域取向

ABangle分析显示，SprintX中VH-VL结构域的中心距离和扭转角分布与SAbDab大部分重叠。Ramachandran图分析表明，SprintX结构（包括结构易变的HCDR3区域）主要占据实验SAbDab结构中观察到的允许构象区域，符合规范的蛋白质主链φ/ψ分布。

2.2 SprintX对下游抗体生成的影响

2.2.1 在DiffAb上的评估

在Thera-SAbDab评估集上，与SAbDab预训练+微调模型相比，SprintX预训练+微调模型在HCDR3和全CDR设置中均获得了更低的Rosetta ΔG（更好的结合能量）和更低的CDR RMSD。瀑布图和赢率热图显示，SprintX预训练带来的优势是广泛分布在大多数测试复合物上的，而非少数孤立案例。时间截断的四家族评估进一步证实了这一趋势。

2.2.2 在dyMEAN上的评估

在RAbD和SAbDab-unseen测试集上，SprintX预训练+微调模型在HCDR3生成中获得了最低的平均RMSD和最高的平均DockQ值。在全CDR生成中，该模型同样在两个测试集上取得了最高的DockQ。微调动力学分析显示，SprintX预训练提供了一个更能有效适应实验数据的初始化状态，而SAbDab预训练模型在相同微调协议下表现出性能饱和。

2.3 基于结构预测模型的评估

在MuLAAIP结合亲和力预测基准上，SprintX预训练在野生型和突变型基准上均获得了数值上更低的平均MAE和更高的平均PCC。在WALLE的AsEP基准上，节点任务（表位预测）的MCC、AUROC、精确率和F1有小幅提升，链接任务（残基接触预测）的所有五项指标均有小幅数值提升。在I-GEP上，互补位预测的MCC和AUROC略有增加，表位预测的所有三项指标均有数值提升。

讨论与结论总结

讨论部分指出，抗体相关深度学习的持续瓶颈是高质量三维抗体-抗原复合物结构的稀缺性。SprintX并非要取代实验确定的结构，而是在下游适应实验数据之前扩大可用的结构上下文范围。SprintX不应被解释为实验验证的同源抗体-抗原结合剂的目录，而是经过策展的抗原条件化复合物假设。区分这一点对于SprintX的使用至关重要。研究表明，SprintX的下游效用取决于任务直接从复合物几何中学习的程度。基于结构的抗体生成模型（如DiffAb和dyMEAN）受益最为明显，而结合亲和力和界面预测任务因需要额外计算标签而收益更为任务依赖。

研究结论部分可翻译为：综合来看，这些在结构来源、标签构建、生物学覆盖范围和下游评估方面的局限性支持将SprintX视为一个互补的结构预训练资源，而不是实验解析复合物或实验验证的替代品。未来工作应考察如何以任务自适应方式构建和使用SprintX，包括扩展抗原家族覆盖范围、系统变化抗体采样策略以及控制预训练规模与计算预算的关系。SprintX旨在降低在抗体建模中使用合成结构数据的实际障碍，为研究团体提供一个介于大型抗体序列库和实验确定的抗体-抗原结构之间的可复用中间资源。