ABAG-Rank：通过学习对AlphaFold抗体-抗原复合物进行排序来改进模型选择

《Bioinformatics》：ABAG-Rank: Improving Model Selection of AlphaFold Antibody–Antigen Complexes by Learning to Rank

　　

摘要

动机

AlphaFold 以前所未有的精确度改变了结构生物学领域，能够模拟蛋白质结构及其与生物分子的相互作用，其中 AlphaFold3 (AF3) 的表现达到了最先进水平。然而，AF3 及其他方法在准确预测缺乏强烈共同进化信息的蛋白质复合物（如抗体-抗原 (Ab-Ag) 复合物）的结构时常常遇到困难。一个根本问题在于，AF3 虽能生成准确的预测结果，但却难以将这些正确预测与大量错误的预测结果区分开来。

结果

为了解决这一问题，我们提出了 ABAG-Rank，这是一种深度神经网络，它能够从使用 AlphaFold 预测的一系列结构集合中高效、稳健地选择抗体-抗原相互作用的模型。ABAG-Rank 基于 permutation-invariant DeepSets 架构构建，可以处理大小不一的结构诱饵集合，并且直接适用于候选数量可能变化的预测场景。我们在一组经过去冗余处理的已知抗体-抗原复合物数据集上对模型进行了训练，发现简单的几何描述符以及来自 AlphaFold 的置信度分数能够提供关于界面质量的丰富信息，而无需进行复杂的基于物理的计算。实验表明，ABAG-Rank 的表现显著优于 AF3 的内部评分机制以及现有的深度学习基线模型。

可用性与实现

源代码可在以下链接找到：https://github.com/tadteo/ABAG-Rank 或者在 Zenodo 上：https://doi.org/10.5281/zenodo.21132090

补充数据可在 Bioinformatics 在线平台上获取。