Phys-AbGAT：基于物理信息引导的多任务图注意力网络联合预测抗体-抗原结合亲和力

《Bioinformatics》：Phys-AbGAT: A Physics-Informed Multi-Task Graph Attention Network for Robust Antibody-Antigen Binding Affinity Prediction

　　

摘要

研究动机

准确预测抗体 - 抗原结合亲和力对于治疗性抗体设计至关重要。现有方法通常独立地建模解离常数（?$K_{\mathrm{D}}$?）和吉布斯自由能（?$\Delta G$?），忽略了它们之间的热力学关系以及复杂的抗表位 - 表位空间相互作用。

结果

我们引入了 Phys-AbGAT，这是一种物理信息引导的多任务图注意力网络，它将抗体 - 抗原界面表示为空间图。它整合了 ESM2 进化嵌入和径向基函数，并采用了一种热力学驱动的辅助损失来鼓励 ${\log }_{10}?\left(K_{\mathrm{D}}\right)$ 和 $\Delta G$? 之间的耦合。在一个独立的 42 个复合物基准测试中，Phys-AbGAT 在 ${\log }_{10}?\left(K_{\mathrm{D}}\right)$ 上的皮尔逊相关系数达到了 0.569，在 $\Delta G$? 上达到了 0.573。在匹配集比较中，Phys-AbGAT 的 RMSE 数值低于四种基线方法，且 PCC 更高。对于 MVSF-AB 和 PPA-Pred2，经过 Holm 校正后差异仍然显著，但对于 AREA-AFFINITY 或 CSM-AB 则不然。几个芳香族抗表位残基被分配了更高的注意力分数，为结构检查提供了模型层面的假设。这些结果支持 Phys-AbGAT 作为一个可解释的多任务几何框架，用于联合预测两个与亲和力相关的量。

可用性与实现

代码和数据可在 https://github.com/cliffgao/Phys-AbGAT . 获取。

补充信息

补充数据可在 Bioinformatics 在线获取。