Amélioration de la prédiction du paratope et de l’épitope par apprentissage contrastif multi-modale et estimation de l’informationnalité des interactions

Prédire avec précision les résidus impliqués dans les interactions entre anticorps et antigènes, c’est-à-dire les paratopes et les épitopes, est essentiel pour la conception d’anticorps. Toutefois, les méthodes existantes se concentrent uniquement sur des données unimodales (soit séquences, soit structures), en ignorant les informations complémentaires présentes dans les données multimodales, et la plupart d’entre elles prédise les paratopes et les épitopes séparément, négligeant ainsi leurs interactions spatiales spécifiques. Dans ce travail, nous proposons une nouvelle méthode, nommée MIPE (Multi-modal contrastive learning and Interaction informativeness estimation-based method for Paratope and Epitope prediction), fondée sur l’apprentissage contrastif multimodal et l’estimation de l’information d’interaction, qui exploite à la fois les données de séquence et de structure des anticorps et des antigènes. MIPE met en œuvre une stratégie d’apprentissage contrastif multimodal, visant à maximiser les représentations des résidus liants et non liants au sein de chaque modalité, tout en alignant les représentations unimodales vers des représentations efficaces. Afin d’exploiter les informations relatives aux interactions spatiales, MIPE intègre également une estimation de l’information d’interaction, qui calcule des matrices d’interaction estimées entre les anticorps et les antigènes, afin de les approcher au mieux des matrices réelles. Des expériences étendues démontrent l’efficacité supérieure de notre méthode par rapport aux approches de référence. En outre, les études d’ablation et les visualisations confirment que l’avantage de MIPE provient de représentations améliorées obtenues grâce à l’apprentissage contrastif multimodal, ainsi que de la compréhension des motifs d’interaction rendue possible par l’estimation de l’information d’interaction.