摘要

新冠疫情已持续近两年半，严重急性呼吸综合征冠状病毒2（SARS-CoV-2）的各类值得关注的变异株（Variants of Concern, VOCs）仍不断涌现，这迫切要求开发广谱中和抗体。已有研究报道，如Delta（B.1.617.2谱系）和奥密克戎（BA.1与BA.2）等变异株对部分现有治疗性抗体表现出免疫逃逸能力。面对持续演化的SARS-CoV-2，亟需实现对新变异株抗体结合能力的快速预测，并加速广谱中和抗体的研发。鉴于深度学习在抗体工程与优化中的广泛应用，我们提出疑问：是否可通过深度学习技术实现对SARS-CoV-2变异株具有广谱反应性的抗体的快速设计与生成？在此，我们报道了一种基于空洞卷积神经网络（Atrous Convolutional Neural Network, ACNN）的深度学习框架——交叉反应性B细胞受体网络（Cross-reactive B Cell Receptor Network, XBCR-net），该框架可直接从单细胞B细胞受体（BCR）序列预测针对SARS-CoV-2及其变异株的广谱反应性抗体。XBCR-net由两部分组成：第一部分采用三分支ACNN结构，提取与抗体-抗原相互作用相关的特征；第二部分则通过残差结构的多层感知机（Residual Multi-Layer Perceptron）预测抗体与抗原的结合概率，涵盖14种不同的受体结合域（RBD）序列。对XBCR-net在SARS-CoV-2结合预测中的性能评估显示，其准确率、精确率和召回率均显著优于其他现有框架，展现出卓越的预测能力与应用潜力。