編輯丨coisini

抗體 - 抗原復合物結構預測在生物醫學研究中具有重要價值，不僅有助于理解免疫應答機制，更能為治療性抗體設計提供關鍵依據。然而，實現原子精度的抗體 - 抗原復合物預測仍具挑戰性，現有預測模型往往存在不確定性。

深度學習技術的進步，特別是 AlphaFold 的出現，為蛋白質結構預測帶來了新希望。雖然 AlphaFold 在普通蛋白質復合物預測中表現卓越，但其在抗體 - 抗原復合物結構預測上成功率較低，主要原因是缺乏協同進化（co-evolutionary）約束。

基于物理學的分子對接工具可用作復合物結構預測的替代方法，但這類工具普遍缺乏對蛋白質骨架柔性的有效模擬，限制了對接的準確性和適用性。

這一局限在抗體的互補決定區（CDR），尤其是具有構象多樣性的高變區 CDR-H3 環，顯得尤為突出，該區域對抗原識別具有關鍵作用。

近期，來自加拿大國家研究委員會 (NRC) 人類健康治療小組的研究團隊提出了一種新策略，稱為「AI 增強的物理對接」，利用 AI 引導的抗體建模工具生成 CDR 呈現多樣性的結構集合，并將其整合到基于 AlphaFold2 的重新評分對接流程中。

論文地址：https://academic.oup.com/bioinformatics/article/41/4/btaf129/8093612?login=false

研究團隊從 SAbDab 數據庫收集了抗體 - 抗原復合物結構，抗體模型由 IgFold、ABodyBuilder2 和 EquiFold 生成，抗原模型通過從晶體結構中剛性解離獲得，并使用 SCWRL4 擾動側鏈空間排布以模擬更真實的未結合狀態。

該研究采用蛋白質 - 蛋白質分子對接軟件生成抗體 - 抗原復合態，并將對接性能與 SOTA 蛋白質預測方法 AlphaFold 和 Boltz-1 進行了比較。

圖示：IgFold、ABodyBuilder2和EquiFold預測的抗體集合結構多樣性展示。（來源：論文）

客觀比較工作流程截然不同的工具是具有挑戰性的：深度學習工具從序列數據出發，而傳統對接工具則依賴已知結構。

對接成功率受輸入抗體模型質量影響，當模型更接近結合態結構時成功率顯著提升。

在使用晶體結構抗原進行的模擬對接實驗中，結果充分證明了 AI 增強的對接方法相較于 AlphaFold2 的優勢。而對接方法相比 Boltz-1 雖然也有所改進，但改進幅度相對有限。

值得注意的是，無論是表位作圖還是抗體設計應用場景，當前對接方法的性能仍顯著落后于 AlphaFold3。不可否認，隨著 AlphaFold3 的出現，物理對接的適用場景已收窄。研究團隊認為物理對接僅適用于能生成高置信度抗體模型的情況，否則應采用更精準的 AI 復合物預測技術。