論文タイトル
Generative Diffusion Models for Antibody Design, Docking, and Optimization
出典
要旨
抗体の配列設計手法 AbDesignと、抗原ドッキング手法 AbDock を用いて、抗体の構造予測や抗原親和性増強をおこなう手法を紹介しています。
解説など
拡散モデルを利用した、抗体のデザイン手法の最新報告です。
配列設計に用いる AbDesign と、抗原とのドッキングモデル予測に用いる AbDock は、どちらも拡散モデルに基づいて構築されています。AbDesign は、既知のパラトープ-エピトープ結合界面を考慮して、CDR 配列と立体構造の予測に焦点を当てます。逆に、ドッキングタスクは、エピトープ領域とパラトープ配列がわかっている場合に、パラトープの結合立体構造を予測することを目的としています。
タスクの種類（既知情報の充実さ）に応じて、AbDesign で用いるネットワークアーキテクチャが変わる設計です。CDR 配列設計タスクにおいて、結合インターフェースが提供されて CDR 領域のみが未知である場合は、マルチチャネル等変ニューラル ネットワーク (MC-EGNN) を採用します。一方で、エピトープポケット構造のみが与えられるパラトープ-エピトープドッキングタスクの場合、不変点注意（IPA）ネットワークと呼ばれる、より表現力豊かなニューラルネットワークを採用します。
本手法を用いて、筆者らは様々なタスクを解いています。
まず、パラトープとエピトープの結合界面が既知である場合に、CDR 配列と立体構造を予測できるか、というタスクに、以下の既存の手法と比較する形で、RMSDとAAR（アミノ酸の回収率）を評価指標に取り組んでいます。
- DiffAb
- AR-GNN
- MEAN
- RefineGNN
また、
配列とエピトープポケットを考慮して、パラトープの結合ポーズを正確に予測するモデルの能力を評価するタスクでは、以下のドッキング手法との比較試験を、DockQを評価指標に試みています。
- ZDOCK
- HDOCK
- HSEN
- HSRN
最後には、HER2 抗体のバリアントとそれぞれの親和性データをデータセットを活用して、改変体の親和性予測タスクにも取り組んでいます。
親和性予測においては、高い予測精度を示せているとはいいがたい結果ですが、既報の手法と比べて、最良の成績を示していることを報告しています。
モデルはこちらです。
