DyAb：低数据条件下基于序列的抗体设计与性质预测

《mAbs》：DyAb: sequence-based antibody design and property prediction in a low-data regime

　　

抗体治疗性药物的设计和性质预测常受数据稀缺的制约。研究人员提出了一种名为DyAb的模型，通过利用成对表示来预测结合亲和力的差异而非绝对值，从而解决上述问题。DyAb构建于预训练的蛋白语言模型之上，在仅包含100条训练数据的情况下，针对靶向三种不同抗原（EGFR、IL-6及一个内部靶点）的单克隆抗体，其结合亲和力预测的Spearman等级相关系数最高可达0.85。研究人员将DyAb应用于两种设计场景：一是作为排序模型对已知突变的组合进行打分，二是与遗传算法结合生成新序列。该方法持续产生具有高结合率的抗体变体，其中部分设计的结合亲和力较先导分子提高十倍以上。DyAb是在早期药物开发中常见的低数据条件下优化抗体结合亲和力的有力工具。

**DyAb：低数据条件下基于序列的抗体设计与性质预测——论文解读**

**一、研究背景与问题**

抗体治疗性药物在全球畅销药物中占据重要地位，然而将机器学习应用于生物药开发面临的首要挑战是标记数据稀缺。生物药的数据生成成本高昂且耗时费力，现有数据集往往含有固有噪声和批间差异，需要严格的质量控制。在早期药物发现和先导化合物优化阶段，从稀疏且含噪的数据集中进行学习始终是一个难题。此外，早期阶段评估出的"最佳"候选分子若后续发现存在化学或物理不稳定性、药代动力学不佳或免疫原性等问题，可能需要在管线后期被淘汰。因此，该领域的一个总体目标是以尽可能快速、经济的方式生产和优选一批最有前景的治疗候选分子。

区别于仅关注测量绝对值，着眼于测量值之间的差异为解决数据稀缺提供了潜在途径。Fralish等人开发的DeepDelta模型即通过预测小分子对之间药代动力学性质的差异，在约200-1000个标记数据点的小数据集上展现了良好性能。对于蛋白质适应度预测而言，成对方法可带来多重优势：通过组合式扩展训练数据集来防止过拟合和批次效应，并可能改善分布外性能。模型不再基于N个原始数值进行学习，而是基于N(N?1)/2个序列对进行学习。例如，一个含500个数据点的数据集可扩展至近125,000个数据对。抗体研发中最关键的步骤之一是体外亲和力成熟，该过程通常涉及针对目标抗原筛选单位点突变体并选择亲和力改善的变体。

**二、研究内容与结论**

研究人员开发了DyAb模型——名称源自"Dyad"（意为"对"）与"Antibody"（抗体）的组合——通过在相对嵌入和性质差异上进行学习，捕捉蛋白质序列变异的细微特征。DyAb接受成对蛋白质序列作为输入，序列首先经过预训练的蛋白语言模型（pLM）提取嵌入表征，随后计算每对序列嵌入之间的差值获得"相对嵌入"，最后通过卷积神经网络（CNN）基于相对嵌入和结合亲和力标签输出两个序列之间的亲和力差异预测。DyAb既可作为排序模型对已知突变的组合进行评分，也可与遗传算法（GA）等采样算法结合直接生成新序列。

研究团队在三个不同大小和复杂度的抗体-抗原结合亲和力数据集上测试了DyAb。第一个数据集来自COmprehensive Substitution for Multidimensional Optimization（COSMO）实验，包含内部抗体（"lead A"）的N=512个点突变体。DyAb在N=77个点变体的留出测试集（N=2926个序列对）上表现良好，Pearson相关系数r=0.77，Spearman等级相关系数ρ=0.80。第二个数据集针对抗EGFR先导抗体，仅提供约100个亲和力标签，包含距离先导序列20个编辑距离（ED）以内的较远变体，DyAb在仅以丙氨酸扫描点突变数据和少量高ED变体训练时，预测r=0.75、ρ=0.75。第三个数据集针对抗IL-6先导抗体，在完全没有点突变数据的情况下，DyAb在变体测试集上达到r=0.84、ρ=0.84的优异表现。

在应用层面，针对lead A数据集，研究人员选用所有单独改善亲和力的COSMO突变，生成ED=3-4的所有组合，并使用训练好的DyAb模型进行评分，随后通过遗传算法迭代采样设计空间，最终选出47个排名最高的设计进行实验验证。其中85%成功在哺乳动物细胞中表达并靶向结合抗原，高于COSMO点突变体的59%结合率；84%的DyAb设计结合物优于母本亲和力（76 nM），最强结合物达到15 nM。针对抗EGFR先导序列，研究人员穷举生成并评分ED=3至11之间的所有有益突变组合，经排序模型二次筛选后44个序列进入实验测试，89%成功表达并结合EGFR，79%的阳性结合物亲和力优于先导候选分子（3.0 nM），其中11个设计亲和力提升至少十倍。第二轮设计将上一轮数据并入训练集后，单个设计序列表达并结合EGFR，亲和力进一步提升至66 pM，较先导分子改善近50倍。针对抗IL-6先导序列，基于约100个变体数据选取并穷举组合ED≤9的所有亲和力改善突变，经DyAb-LBSTER模型评分后8个设计进入实验，全部成功表达并结合IL-6且亲和力优于先导分子（1.4 nM），其中4个设计亲和力提高超过3倍。

结构分析揭示了亲和力改善的潜在结构机制。研究人员通过X射线晶体学解析了抗EGFR先导抗体和R1-1设计的Fab片段结构（分辨率分别为2.4?和2.1?），发现DyAb在CDR-H1、CDR-H3和框架区引入四个突变。其中VH97位甘氨酸突变为天冬氨酸在所有顶级设计中一致出现，该突变改变了CDR-H3的构象，VH98位新增的脯氨酸可能进一步稳定了有利于结合的构象。对于抗IL-6设计，通过ABodyBuilder2预测的结构显示，CDR-H2中的N52aH突变驱动环区向溶液方向延伸。此外，消融研究表明，主要或完全基于抗体库训练的pLM（AntiBERTy、LBSTER）相比通用蛋白语言模型ESM-2，在所有数据集上产生了更具预测能力的DyAb模型。

**三、关键技术与方法**

研究使用了以下主要技术方法：一是基于预训练蛋白语言模型提取序列嵌入，包括AntiBERTy（基于5亿条天然抗体序列训练）和LBSTER（基于抗体序列及通用蛋白质序列训练）；二是计算序列对的相对嵌入（嵌入差值），并采用卷积神经网络（CNN）学习相对嵌入与结合亲和力差异（ΔpKD）之间的映射关系；三是结合遗传算法（GA）进行序列空间采样（用于lead A设计），或采用穷举突变组合枚举策略（用于抗EGFR和IL-6设计）；四是实验验证手段包括哺乳动物细胞表达、抗原结合测定、X射线晶体学结构解析（RCSB登录号9MU1和9MSW），以及ABodyBuilder2结构预测。样本队列方面，lead A数据集和设计序列为Genentech专有数据且已匿名化，抗EGFR和抗IL-6数据集来自公开的亲和力成熟相关实验。

**四、讨论与结论**

研究表明，DyAb在低数据条件下能够高效生成结合亲和力改善的抗体变体序列，设计序列的表达和结合率持续保持在85%以上，与单位点突变体相当。大多数DyAb生成的序列改善了先导分子乃至训练集的亲和力，代表了一种用于早期抗体先导优化和多样化的有前景的工具。遗传算法的主要失效模式是长时间优化轨迹偏离起始序列后产生"非天然"序列（通常超过约8个编辑距离），研究通过设置低编辑距离设计上限（ED=7）、仅纳入先前已验证稳定序列中的突变以及在判别器中使用pLM似然度来避免此问题。研究也指出若干局限性：DyAb仅在抗体结合亲和力上验证，其他可开发性属性如聚集倾向、非特异性结合、热稳定性和化学稳定性等未评估；成对框架假设变体与已知先导序列密切相关，在较高编辑距离下性能预计下降；成对数据并非统计独立的观测，有效信息量受限于原始N次测量；模型仅在三个抗体-抗原系统上评估，泛化性主张需进一步验证。尽管存在这些限制，在低N条件下学习的能力使DyAb有望推广至其他数据更为稀缺的抗体性质工程（如高浓度下的化学和物理稳定性）及其他蛋白质变体数据集。DyAb已作为LBSTER开源蛋白质语言模型框架中的模型公开发布，支持包括AntiBERTy在内的多种骨干pLM，用户可根据目标蛋白家族选用最适合的嵌入模型。