論文タイトル
AntiBMPNN: Structure-Guided Graph Neural Networks for Precision Antibody Engineering
出典
要旨
抗体配列設計のための深層学習モデル AntiBMPNN を提案し、その有効性を計算的および実験的に検証した研究です。
解説など
抗体専用の inverse folding model, AntiBMPNN について解説します。本手法の技術的な特徴は次のとおりです。
- 3D構造に基づくグラフ表現
- 頻度ベースのスコアリング関数で候補配列を評価
- AlphaFold 3 との統合による構造的裏付け
1. に関して、ProteinMPNN, AbMPNN, AntiFold などこれまでのモデルはいずれもグラフノードを残基単位で扱っていたのに対して、AntiBMPNN では原子レベルで扱っています。
つぎに、生成した配列のスコアリングは、同時に生成された配列群の出現頻度に基づいて行われます。またアミノ酸残基の体積や疎水性、電荷などの物理化学的な記述子も配列にラベルされます。これはスコアリングには使用されませんが、最終的に選ばれた配列をユーザーが考察するうえでの補助として使用できます。
また、本論文ではデザインスキームとして生成した配列を AlphaFold3 で予測しそのメトリクスを算出していますが、スコアリングやツールとしてこのステップが内蔵されているわけではありません。
評価は in silicoと wet どちらでも検証されています。recovery rate などの in silico 指標で従来のモデル（ProteinMPNN, AbMPNN, AntiFold）に比べて優れた成績であることが証明されています。
wet の評価としては、nanobody 配列を対象に CDR を再設計して、抗原結合活性を測定しています。優れた配列を生成できてはいるものの、統計的に評価されたデータはなく、再現性を力強く主張できるものではないようです。
コードはこちら。
