摘要

动机识别抗体结合位点对于疫苗和治疗性抗体的开发至关重要，而这些过程通常耗时且成本高昂。准确预测抗原结合位点（即互补决定区，paratope）能够加速研发进程，从而深化我们对抗体-抗原相互作用机制的理解。结果我们提出了ParaSurf，一种基于深度学习的模型，通过整合表面几何特征与非几何特征，显著提升了互补决定区（paratope）预测的准确性。该模型在三个主流抗体-抗原基准数据集上进行训练与测试，几乎在所有评估指标上均达到了当前最优水平。与仅限于可变区（variable region）预测的模型不同，ParaSurf具备在抗体Fab区域全范围内准确预测结合评分的能力。此外，我们利用三个数据集中规模最大的数据集开展了深入分析，重点考察了以下三个方面：（1）对每个互补决定区环（Complementarity-Determining Region loop）的paratope预测性能的详细评估；（2）仅基于重链训练模型的表现；（3）仅基于轻链训练模型且未引入重链数据时的预测结果。可用性与实现ParaSurf的源代码、所用数据集、预处理流程以及训练好的模型权重均可免费获取，访问地址为：https://github.com/aggelos-michael-papadopoulos/ParaSurf。补充信息补充数据可在Bioinformatics在线平台获取。