論文タイトル
AbICL: In-Context Learning for Antigen-Specific Antibody Affinity Ranking
出典
要旨
本研究では、既知の少数の抗体親和性比較データを「文脈（コンテキスト）」として利用することで、抗原ごとの結合傾向を学習しながら抗体候補を順位付けする新しいフレームワーク「AbICL」を提案しています。
解説など
抗体医薬の探索では、「どの抗体が最も強く抗原へ結合するか」を効率よく順位付けすることが重要です。
従来は結合親和性（KDやIC50など）の絶対値を予測する回帰モデルや、抗体ペアを比較するランキングモデルが提案されてきました。しかし、多くのモデルはすべての抗原に共通する一つのランキング関数を学習しており、抗原ごとの結合特性を十分に利用できていませんでした。
抗原ごとの結合特性を予測する既存モデルだけに絞るとこれまでに下記のような手法が提案されています。
- 結合分類：DeepAAI
- 結合親和性回帰予測：Mint
- 結合親和性ランキング予測：WALLE-Affinity
本研究では、WALLE-Affinityをベースに、「既に実験で測定済みの少数の比較結果」を推論時の文脈として利用するIn-Context Learning（ICL）の考え方を、抗体親和性ランキングへ初めて導入しています。
AbICLは、大きく3つの構成要素から成ります。
- 構造エンコーダ
- 抗体と抗原をグラフとして表現し、それぞれGCN（Graph Convolutional Network）で特徴量へ変換します。
- ベースとなる構造エンコーダは、既存手法WALLE-Affinityと同様の構成を利用しています。
- Label Embedding
- サポートデータ（既知の比較結果）には、「どちらが強く結合したか」というラベルを埋め込みとして追加します。
- これにより、比較結果そのものをモデルへ文脈情報として入力できます。
- Context Ranking Head
- Transformerを用いて、サポートデータと評価対象（クエリ）を同時に処理します。
- QueryはSupportに注意（Attention）を向けることで、「この抗原ではどのような比較傾向があるか」を考慮した順位付けを行います。
学習にはエピソード型メタ学習（episodic meta-training）を採用しています。
学習時から「サポートセット＋クエリセット」という推論時と同じ状況を繰り返し経験させることで、推論時には追加学習（ファインチューニング）なしで文脈に適応できるよう設計されています。
データセットと評価
評価にはAbRankベンチマークが利用されています。
学習データは難易度の異なる3種類です。
- Balanced
- Hard Ab
- テスト抗体が学習データと75%未満の配列同一性
- Hard Ag
- テスト抗原が学習データと75%未満の配列同一性
評価は2種類のベンチマークで行われています。
- Unrelated Complex
- 未知抗原への一般化性能を評価
- Local Perturbation
- わずかな変異による親和性差を識別できるかを評価
また推論時には、
- No-context
- Training-context
- Test-context
という3種類のICL設定を比較しています。
結果
論文では、AbICLはAbRankベンチマークにおいて、多くの評価条件で既存ベースラインを上回る性能を示したと報告されています。
特に著者らは次の点を観察しています。
- 文脈情報を利用するとランキング性能が向上する
- Test-context（推論対象と同じ抗原由来の比較例）が最も効果的
- 微妙な親和性差を識別するLocal Perturbationで改善幅が特に大きい
- 未知抗体・未知抗原（Hard Ab・Hard Ag）のような分布シフト環境ほどICLの恩恵が大きい
また、エピソード型メタ学習を除いたアブレーション実験では、単純にTransformerヘッドを追加しただけでは同様の性能向上は得られず、エピソード型学習そのものがICL適応に重要であることが示されています。
