Steigerung der Vorhersage von Paratopen und Epitopen durch multimodale kontrastive Lernverfahren und die Schätzung der Interaktionsinformationsdichte

Die präzise Vorhersage von Antikörper-Antigen-Bindungsresten, also Paratopen und Epitopen, ist entscheidend für die Antikörper-Design. Bisherige Methoden konzentrieren sich jedoch ausschließlich auf einmodale Daten (entweder Sequenz oder Struktur) und ignorieren die ergänzenden Informationen, die in multimodalen Daten enthalten sind. Zudem werden Paratopen und Epitopen meist getrennt vorhergesagt, wodurch deren spezifische räumliche Wechselwirkungen außer Acht bleiben. In diesem Artikel stellen wir eine neuartige Methode namens MIPE (Multi-modal contrastive learning and Interaction informativeness estimation-based method for Paratope and Epitope prediction) vor, die sowohl Sequenz- als auch Strukturdaten von Antikörpern und Antigenen nutzt. MIPE implementiert eine multimodale Contrastive-Learning-Strategie, die die Repräsentationen bindender und nicht bindender Reste innerhalb jeder Modality maximiert und gleichzeitig die einmodalen Repräsentationen auf effektive multimodale Repräsentationen ausrichtet. Um räumliche Interaktionsinformationen auszunutzen, integriert MIPE zudem eine Schätzung der Interaktionsinformativität, die geschätzte Interaktionsmatrizen zwischen Antikörpern und Antigenen berechnet und diese somit den tatsächlichen annähert. Ausführliche Experimente belegen die Überlegenheit unserer Methode gegenüber etablierten Baselines. Zudem zeigen Ablationstudien und Visualisierungen, dass MIPE aufgrund der durch multimodales Contrastive Learning erzielten verbesserten Repräsentationen sowie der durch die Schätzung der Interaktionsinformativität erfassten Interaktionsmuster überlegen ist.