摘要
准确预测抗体-抗原结合位点（即互补决定区，paratopes，以及表位，epitopes）在抗体设计中具有重要意义。然而，现有方法通常仅依赖单一模态数据（如序列或结构信息），忽略了多模态数据中蕴含的互补信息；且大多数方法分别预测paratopes与epitopes，未能充分考虑二者之间特定的空间相互作用关系。为此，本文提出一种基于多模态对比学习与相互作用信息量估计的新型抗体-抗原结合位点预测方法——MIPE（Multi-modal contrastive learning and Interaction informativeness estimation-based method for Paratope and Epitope prediction）。该方法同时利用抗体与抗原的序列与结构信息，构建多模态联合表征。MIPE采用多模态对比学习策略，在每一模态内部最大化结合与非结合残基的表征区分度，并实现单模态表征向更优的多模态联合表征对齐。为进一步挖掘空间相互作用信息，MIPE引入交互信息量估计模块，用于计算抗体与抗原之间的估计相互作用矩阵，并使其逼近真实相互作用模式。大量实验结果表明，与现有基线方法相比，MIPE在预测性能上具有显著优势。此外，消融实验与可视化分析进一步验证了MIPE的优越性，其核心优势源于多模态对比学习所获得的更优表征能力，以及交互信息量估计模块对关键相互作用模式的精准捕捉。