論文タイトル
Rapid De Novo Antibody Design with GeoFlow-V3
出典
Attention Required! | Cloudflare
www.biorxiv.org
要旨
抗体-抗原複合体の構造予測とde novo抗体設計を統合した原子レベル拡散モデル「GeoFlow-V3」を報告しています。
解説など
中国の BioGeometry チームからの最新抗体生成モデル GeoFlow-V3 の紹介です。
GeoFlowの特徴は、単なる配列生成モデルではなく、
- 抗体-抗原複合体の構造予測
- 標的エピトープ（狙いたい結合部位）を条件にした抗体生成
- モデル自身の信頼度スコアによるbinder / non-binder識別
- in silico evolution（計算機内進化）による候補改善
を一つの枠組みに統合しています。
名前のとおり前モデルからの改良版を本論文で報告しています。V3では以下の拡張が施されています。
- Partial diffusionを使った「in silico evolution」の導入
- V2：一度の大量生成してランキングするOne-Shot型
- V3：Generate→Evaluate→Partial redesign→Re-evaluateによる再設計を内包
- Constraint-conditioningの拡張
- V2：Pseudo-sequence + epitope
- V3：以下の条件付けが可能に
- Epitope constraints
- Contact constraints
- Target structure constraints
- Initial guess constraints
本文では以下の実施例が報告されています。
構造予測性能
本文では、低相同性104件の抗体-抗原複合体ベンチマークで、GeoFlow-V2比でHigh DockQ成功率がTop-1で45%相対改善と記載されています。
また、confidence score > 0.8 の高信頼予測は、Acceptable以上のDockQ構造を80%以上のprecisionで識別できたとされています。これは「生成した大量候補から、どれを実験に回すか」の優先順位付けに重要です。
Binder識別
10種類のbinder/non-binderデータセットで、GeoFlow-V3のipTMが比較的一貫したAUROC性能を示したと本文にあります。一方で、点変異レベルのbinding affinity順位予測は依然難しく、「強く結合する順番まで正確に当てる」のは未解決とされています。
De novo VHH設計
もっとも注目されるのはここです。
- 8/8キャンペーンで少なくとも1 binder確認
- 平均hit rate 15.5%（PD-1除外）
- 各ターゲット最大50候補のみ検証
- 一部でナノモル親和性VHHを確認
モデルサーバーはこちら。
GeoFlow Server
Web service for BioGeometry's cutting-edge protein foundation model GeoFlow, unifying structure prediction and generation for the molecules of life.
prot.design
