J. Chem. Theory Comput. | 基于等变图神经网络与扩散模型的抗体序列–结构协同设计

DRUGONE

抗体是具有高度抗原特异性的关键免疫蛋白。传统的抗体工程方法通常耗时且效率低，而基于深度学习的抗体设计为药物发现提供了新思路。研究人员提出了一个深度生成框架 AbEgDiffuser，可在给定靶抗原的条件下实现抗体序列与结构的协同设计。该模型将扩散模型与等变图神经网络相结合，并进一步引入进化约束。在正向扩散阶段，氨基酸序列、Cα 原子坐标和残基取向被逐步扰动为先验分布；在反向扩散阶段，双层等变图神经网络同时捕获残基级与原子级相互作用，以重建功能性抗体。为确保进化合理性，研究人员使用预训练蛋白语言模型 ESM-2 对噪声序列进行编码。大量实验结果表明，该模型可生成具有高准确度序列与结构并具高亲和力的抗体，在多项设计任务上均优于现有方法。

抗体在适应性免疫反应中发挥核心作用，能以高特异性和高亲和力识别抗原。抗体分为两条重链和两条轻链，结构上可分为可变区 (V) 与恒定区 (C)，其中可变区包含三条互补决定区 (CDRs)，决定抗体与抗原的结合特异性。抗体设计的关键挑战在于合理设计 CDR 序列与构象，以获得高亲和结合。然而，由于 CDR 的序列高度多样化，其与抗原相互作用规律难以明确。

传统的计算抗体设计依赖统计能量函数与迭代采样优化，计算成本高且易陷入局部最优。深度学习的兴起为此带来新突破，部分模型仅利用序列信息捕捉抗体特征，但忽略了抗原三维结构，难以生成针对特定构象的高亲和抗体。近年来，结合序列与结构信息的判别式与生成式方法逐渐出现。判别式模型通过学习抗原结构表示来预测抗体序列与结构；而生成式模型如 DiffAb、AbDiffuser 和 AbX 等，通过在序列–结构空间中引入可控噪声并学习反向映射，实现抗体的生成。

尽管这些方法推动了发展，但在复杂抗原特异性设计中仍受限。为此，研究人员提出了 AbEgDiffuser 框架，将双层等变图神经网络（Bi-EGNN）与扩散模型（DDPM）结合，并引入蛋白语言模型 ESM-2 的进化约束，用于系统性解决抗体 CDR 序列与结构协同设计问题。

方法

AbEgDiffuser 以抗原与抗体框架为输入，初始化随机的 CDR 序列与结构。模型在多阶段网络中利用 双层几何图（残基层和原子层）进行编码：

• Bi-EGNN 模块通过等变注意力机制捕获跨尺度相互作用；
• ESM-2 模块将噪声序列嵌入进化特征空间，引导生成结果保持生物学合理性；
• 扩散过程在氨基酸类型、原子坐标与取向三个维度上添加噪声，再通过反向扩散逐步去噪重建结构。

最终，模型输出预测的氨基酸类型、Cα 原子坐标和取向，实现高保真的抗体 CDR 序列–结构共设计。训练过程中采用加权损失函数综合优化序列重建、坐标预测与取向预测的精度。训练完成后，通过迭代采样与 Rosetta 辅助优化生成物理合理的全原子结构。

结果

数据与评估设置

研究使用了 SAbDab 数据库中的 9460 个抗体结构，并基于 RAbD 基准集构建独立测试集。实验采用三项指标评估模型性能：

• AAR（Amino Acid Recovery）：生成序列与天然序列的一致率；
• RMSD：生成与天然 CDR 的结构偏差；
• IMP：生成抗体中具有改进结合能的比例。

序列–结构协同设计

在去 novo 抗体设计任务中，AbEgDiffuser 设计的 CDR-H3 序列表现优异，AAR 达 32.7%，RMSD 降至 3.06 Å，IMP 提升至 15.3%。相比 DiffAb、AbX 与 dyMEAN 等模型，AbEgDiffuser 在序列一致性、结构准确性与结合亲和力方面均取得领先。

抗体优化任务

在抗体优化任务中，研究人员从现有抗体出发，通过前向扰动和反向去噪生成优化后的 CDR。结果显示，AbEgDiffuser 在不同扩散步数下均优于 DiffAb，能保持更高的序列与结构一致性并进一步提高亲和力。

消融实验

研究分别移除 ESM-2 约束与双层几何图结构进行对比。结果表明，去除 ESM-2 或改为单层图均显著降低模型性能，验证了 进化约束与双层几何建模的核心贡献。

案例分析

在特定抗原–抗体复合物（如 GP 复合物）上，生成的多组抗体中部分样本的结合自由能明显低于天然复合物，表现出更强的结合稳定性与结构互补性。这表明 AbEgDiffuser 不仅能生成合理结构，还能在亲和力上优于天然抗体。

讨论与展望

研究人员开发的 AbEgDiffuser 实现了抗体 CDR 的条件生成，兼顾结构一致性与进化合理性。模型中的双层等变图神经网络有效地捕获了原子与残基层级的相互作用，进化语言模型 ESM-2 则提供了生物学约束，使生成结果在功能上更符合真实蛋白的规律。

实验结果表明，AbEgDiffuser 在序列–结构协同生成与抗体优化中均显著优于现有方法，为 基于生成式人工智能的抗体设计提供了新路径。未来工作将进一步结合实验验证（体外与体内），以检验生成抗体在生物体系中的稳定性与功能活性。此外，研究人员计划将多目标优化（如结合力、可溶性、稳定性）纳入生成框架，实现更全面的抗体可开发性设计。

整理 | DrugOne团队

参考资料

AbEgDiffuser: Antibody Sequence-Structure Codesign with Equivariant Graph Neural Networks and Diffusion Models, Yibo Zhu, Xiumin Shi, Jingjuan Zhang, Weizhong Sun, and Lu Wang, Journal of Chemical Theory and Computation.

DOI: 10.1021/acs.jctc.5c00990

内容为【DrugOne】公众号原创｜转载请注明来源