MotivationDie Identifizierung von Antikörper-Bindungsstellen ist entscheidend für die Entwicklung von Impfstoffen und therapeutischen Antikörpern, Prozesse, die zeitaufwendig und kostspielig sind. Eine genaue Vorhersage des Paratops kann die Entwicklung beschleunigen, indem sie unser Verständnis der Antikörper-Antigen-Wechselwirkungen verbessert.ErgebnisseWir präsentieren ParaSurf, ein tiefes Lernmodell, das die Vorhersage von Paratopen erheblich verbessert, indem es sowohl geometrische als auch nicht-geometrische Faktoren der Oberfläche berücksichtigt. ParaSurf wurde an drei etablierten Benchmark-Datensätzen für Antikörper-Antigen-Interaktionen trainiert und getestet und erreicht state-of-the-art-Ergebnisse bei nahezu allen Bewertungsmaßen. Im Gegensatz zu Modellen, die auf den variablen Regionen beschränkt sind, zeigt ParaSurf die Fähigkeit, Bindungsscores mit hoher Genauigkeit über die gesamte Fab-Region des Antikörpers vorherzusagen. Zudem führten wir eine umfassende Analyse an dem größten der drei verwendeten Datensätze durch, wobei wir uns auf drei zentrale Aspekte konzentrierten: (1) eine detaillierte Bewertung der Paratop-Vorhersage für jede der drei Complementarity-Determining Region (CDR)-Schleifen, (2) die Leistung von Modellen, die ausschließlich auf der schweren Kette trainiert wurden, sowie (3) die Ergebnisse von Modellen, die allein auf der leichten Kette ohne Berücksichtigung von Daten aus der schweren Kette trainiert wurden.Verfügbarkeit und ImplementierungDer Quellcode für ParaSurf sowie die verwendeten Datensätze, die Vorverarbeitungspipeline und die trainierten Modellgewichte sind frei zugänglich unter https://github.com/aggelos-michael-papadopoulos/ParaSurf.ZusatzinformationenZusätzliche Daten sind online bei Bioinformatics verfügbar.