《Protein Science》：Pocket restraints guided by B-cell epitope prediction improve Chai-1 antibody–antigen structure modeling
编辑推荐：
抗体-抗原（AbAg）复合物的准确预测是计算免疫学的一项关键挑战，在治疗性抗体设计和诊断中具有应用价值。当前的深度学习方法有潜力生成高置信度的AbAg结构，然而这些方法往往无法预测正确的AbAg结构，将抗体错误地置于抗原上，并收敛于重复预测相同的冗余结合模式。
抗体-抗原（AbAg）复合物的准确预测是计算免疫学的一项关键挑战，在治疗性抗体设计和诊断中具有应用价值。当前的深度学习方法有潜力生成高置信度的AbAg结构，然而这些方法往往无法预测正确的AbAg结构，将抗体错误地置于抗原上，并收敛于重复预测相同的冗余结合模式。在此，研究人员提出BepiPocket和DiscoPocket两种简单方法，整合B细胞表位预测工具，在Chai-1结构预测过程中指导抗体-表位约束。在包含1628个AbAg复合物的数据集上，研究人员证明使用基于序列的预测器BepiPred-3.0（BepiPocket）和基于结构的预测器DiscoTope-3.0（DiscoPocket），与采用随机种子变化的常规Chai-1建模相比，显著提高了预测AbAg复合物的准确性和多样性。BepiPocket和DiscoPocket算法的软件可在https://github.com/mnielLab/BepiPocket免费获取。
论文《Pocket restraints guided by B-cell epitope prediction improve Chai-1 antibody–antigen structure modeling》发表于《Protein Science》。研究背景方面，抗体-抗原（AbAg）复合物结构预测在计算免疫学中至关重要，关乎治疗性抗体设计与诊断发展。现有深度学习模型虽能生成高置信度结构，但常出现抗体定位错误及收敛于冗余结合模式的问题。传统B细胞表位预测工具多为抗体非依赖性（antibody-agnostic），仅基于抗原信息，难以评估特异性结合；而实验解析技术如X射线晶体学与冷冻电镜（cryo-EM）成本高昂且耗时。尽管AlphaFold、Chai-1等新工具提升了预测精度，但其支持的口袋约束（pocket restraints）通常依赖稀缺的实验数据。因此，研究人员开展本研究，旨在利用现有的B细胞表位预测工具生成计算约束，以在无实验数据时提升Chai-1对AbAg复合物的建模准确性与多样性。
研究人员主要关键技术方法包括：构建包含1628个AbAg复合物的数据集（来源于PDB生物组装FTP服务器，截止2023年2月2日，分辨率低于3.5 ?，R因子低于0.26，剔除超过Chai-1残基限制2048的结构）；使用Chai-1版本0.6.1进行结构预测，输入涵盖无多序列比对（MSA）、基于MMSeqs2的短MSA、深MSA及基于分类学的配对MSA，以及基于结构抗体数据库（SabDab）和观测抗体空间（OAS）的抗体特异性MSA；利用BepiPred-3.0（序列基础）与DiscoTope-3.0（结构基础）预测表位得分，开发BepiPocket与DiscoPocket算法迭代选取高分残基作为10 ?空间约束引导Chai-1；评估指标采用DockQ（含iRMSD、LRMSD、Fnat）及抗原/抗体均方根偏差（RMSD），并利用抗原交并比（AgIoU）衡量表位冗余度；统计显著性通过自助法（bootstrap）检验。
研究结果如下：
2.1 Multiple sequence alignment input improves antigen accuracy which in turn improves antibody–antigen structure prediction
研究人员通过比较AlphaFold-2.3、AlphaFold-3及不同MSA输入的Chai-1发现，MSA输入显著提升AbAg结构准确性。Chai-1即便无MSA因使用进化尺度建模（ESM）嵌入表现尚可，但加入MMSeqs2生成的MSA（Chai-1 ShortMSA）成功率近乎翻倍，接近AlphaFold-3（MSA）；深MSA且按分类学配对（Chai-1 DeepTaxMSA）在所有DockQ阈值下超越AlphaFold-3（MSA）。抗原RMSD随MSA加入明显改善，但深MSA与短MSA间中位改善微小，分类学配对对多聚体抗原无增益。此外，使用SabDab与OAS构建的抗体特异性MSA及轻重链配对策略（Chai-1 DeepMSA-AbDb90-AbPair）未提升AbAg精度，抗体RMSD仅微幅改善，表明抗体MSA对Chai-1收益有限。
2.2 BepiPred-3.0 and DiscoTope-3.0 predicted antibody-epitope pocket restraints improve Chai-1 antibody–antigen structure accuracy
研究人员以30次随机种子运行的Chai-1（MSA）为基线，对比RandomPocket、BepiPocket及DiscoPocket（各30次迭代，每次5结构，共150结构/复合物）。结果显示，引入预测口袋约束较基线提升6%–8%的可接受或中等DockQ成功率，高DockQ提升2%，具统计显著性（p < 0.0001）。BepiPocket与DiscoPocket优于RandomPocket但差异未达显著（p=0.275及0.177）。性能增益在抗原RMSD ≤4.0 ?的高质量组中更显著（中位DockQ约增三倍），低质量组（RMSD >4.0 ?）则较差。性能多在20次运行内达成，减少扩散步数至50（Fast模式）几乎不影响性能且大幅降时，约20分钟即获大幅增益。
2.3 The performance gains from BepiPocket and DiscoPocket are tied with a large increase in predicted antibody binding mode diversity
研究人员推测性能提升源于结合位点探索多样性增加。以疟疾抗原Pfs48/45（PDB 6E63）为例，30次种子运行的Chai-1重复错误位点，而BepiPocket探索多替代位点并识别正确结合。通过AgIoU计算表位冗余度，Chai-1（MSA）中位冗余为0.62，而RandomPocket、BepiPocket与DiscoPocket降至0.0，显示约束法大幅降低冗余。但当Chai-1置信度极高时，模型倾向生成相似结构，可能覆盖软约束（soft restraint）。相关性分析显示置信度与冗余度正相关，高置信预测常忽略单残基约束。
2.4 BepiPocket and DiscoPocket maintain performance gain on independent test data
为排除训练集偏差，研究人员划分“Before”（训练截止前，1523个）与“After”（2021年9月29日后发布，经聚类筛选剩43个）子集。After子集整体精度下降近半，抗原与抗体RMSD微增（0.11 ?与0.06 ?），多数个体建模尚可但相对定位失败。然而，BepiPocket与DiscoPocket的相对增益在两组一致，After子集中bootstrap p值分别为0.0026与0.001，表明表位引导约束对新案例仍具优势。
讨论部分总结：研究人员指出整合B细胞表位预测指导Chai-1口袋约束显著提升AbAg预测准确度与多样性。增益依赖抗原结构质量，MSA增强抗原建模至关重要，但分类学配对与抗体专用MSA收益甚微。独立测试集验证方法鲁棒性。局限在于高置信度Chai-1可能覆盖单残基约束，未来可改用表位区块（patches）或多重残基及指定HCDR3-表位成对接触以增强效力，亦可拓展至Boltz-2、Protenix等框架。BepiPocket与DiscoPocket为简易高效方案，为诊断与治疗性抗体开发提供基线工具。
研究结论翻译：在此，研究人员表明整合B细胞表位预测工具以指导Chai-1中的口袋约束显著改善了AbAg复合物预测。利用随机选择的预测表位，或基于序列的BepiPred-3.0与基于结构的DiscoTope-3.0方法预测的表位来定义抗体-表位约束，较仅依赖Chai-1随机种子变化能产生更准确且多样的抗体结合位点预测。研究人员分别称这些方法为RandomPocket、BepiPocket和DiscoPocket。该策略效能强烈依赖抗原结构质量：当抗原可准确建模时性能增益显著更高。若预测抗原结构错误或不一致，因真实表位缺失难以正确放置抗体。为改善抗原建模，研究人员生成MSA，大幅增强预测抗原与AbAg准确性。对于二聚体抗原，按分类学配对MSA益处甚少，可能因物种共现不保证相互作用且配对序列相对MSA深度稀疏。定制源自配对轻重链数据库的抗体MSA对AbAg精度或抗体RMSD影响甚微，表明抗体MSA对Chai-1预测益处有限。在Chai-1、BepiPred-3.0与DiscoTope-3.0训练截止后发布的AbAg结构基准测试揭示性能明显下降，独立After测试集精度较Before近乎减半。但使用BepiPocket或DiscoPocket的相对增益在两子集一致，突显表位引导约束对难预测案例亦具优势。BepiPocket与DiscoPocket的问题在于极高置信度Chai-1预测可能覆盖抗体-表位口袋约束。本工作仅应用单残基-抗体约束，潜在方案是切换至预测表位斑块或区域，同时应用多抗原残基以更好强制结合位点引导。附加策略如指定HCDR3残基与选定表位残基间成对接触可进一步改善约束效力。其他支持约束预测框架如Boltz-2和Protenix可作Chai-1替代探索。总之，RandomPocket、BepiPocket和DiscoPocket是提升预测AbAg准确性的简单高效途径，提供强基线并指向更精确体内抗体靶标预测方向，对诊断与治疗性抗体发展具重要应用。预期进阶算法纳入表位斑块与成对接触可进一步提升性能。工具以独立包提供，供专家与非专家使用。
