【抗体デザイン】contrastive learning を活用した反復抗体設計手法 HyperBind2 を紹介

論文タイトル

HyperBind2: Multi-Shot Learning Enables Progressive Improvement in Computational Antibody Discovery

出典

HyperBind2: Multi-Shot Learning Enables Progressive Improvement in Computational Antibody Discovery

bioRxiv - the preprint server for biology, operated by openRxiv, a nonprofit organization dedicated to advancing scientific communication

要旨

「失敗から賢くなる抗体探索プロセス」を実現する抗体設計モデル HyperBind2 の開発を報告した論文です。

解説など

米国 EVQLV のAI抗体設計技術です。彼らの開発した HyperBind2 は抗体構造・配列の生成モデルではなく、既存の候補配列から妥当なバインダー配列を予測・ランキングする技術です。

具体的には、

10⁸–10⁹ 規模の抗体配列ライブラリを出発点とする
抗体配列 × 抗原配列を共通埋め込み空間に写像
「近い＝結合しやすい」という幾何学的関係でランキング
実験結果を使って次のラウンドでランキングを改善

という「巨大スクリーニング＋反復的再学習」型の設計です。

モデルは、Foundation Model + Direct Learning Head からなります。

Foundation Model は、抗体と抗原配列をエンコードするモデルで、binder / non-binder を含む大規模データから contrastive learning で学習しています。一方で、Direct Learning Head はプロジェクトごとにパラメータを更新する軽量なヘッドです。

1st round のデザインは上記のモデルから配列をサンプリングするのですが、この手法の肝は次デザイン以降のプロセスにあります。HyperBind2 では得られた実験データを contrastive pair に変換します。

成功 vs 失敗（王道ペア）
- もっとも直感的で強いペア
境界 vs 悪化（hard negative）
- binder/non-binder の境界領域にある配列を起点にする
- 以下のような悪化変異を導入した配列を負例として用意する
  - 疎水残基を CDR に追加
  - BLOSUM62 で不利な置換
  - charge クラスタ破壊
元配列 vs 改変配列（systematic perturbation）
- 元配列に以下のような変異を加える
  - CDR swapping
  - Motif deletion
  - Progressive mutation
rare vs common（重み付けペア）
- 例数の少ない変異の重要度を上げる loss の設計