摘要
动机理解抗体与其抗原之间特异性相互作用的机制，有助于优化药物与疫苗的设计，并为自然免疫提供新的洞见。实验性结构表征能够揭示抗体-抗原相互作用的“真实情况”，但要实现大规模研究，仍需依赖计算方法。为提升预测准确性，并深入揭示此类相互作用的生物学机制，我们开发了一种统一的基于深度学习的框架，用于预测抗体和抗原上的结合界面。结果本框架利用抗体-抗原相互作用的三个关键特征，学习具有预测能力的结构表征：（i）由于结合界面由空间上邻近的多个氨基酸残基构成，我们采用图卷积网络（graph convolutions）在蛋白质局部区域聚合残基属性；（ii）由于抗体与抗原之间的相互作用具有高度特异性，我们引入注意力机制（attention layer），显式编码配体间的上下文关系；（iii）鉴于通用蛋白质-蛋白质相互作用的数据更为丰富，我们采用迁移学习策略，利用这些广泛数据作为抗体-抗原特异性相互作用的先验信息。实验表明，该单一框架在预测抗体和抗原结合界面方面均达到当前最优水平，且其三个核心组件均对性能提升有显著贡献。此外，注意力机制不仅提升了预测效果，还提供了可生物解释的相互作用模式视角，有助于深入理解结合机制。可用性与实现源代码已开源，可免费获取，地址为：https://github.com/vamships/PECAN.git。