MotivationComprendre comment les anticorps interagissent de manière spécifique avec leurs antigènes permet d’améliorer la conception de médicaments et de vaccins, tout en offrant des perspectives sur l’immunité naturelle. La caractérisation structurale expérimentale permet de décrire la « vérité fondamentale » des interactions anticorps-antigènes, mais des méthodes computationnelles sont nécessaires pour étendre efficacement ces analyses à grande échelle. Afin d’améliorer la précision des prédictions et de fournir un moyen d’acquérir de nouvelles connaissances biologiques sur ces interactions, nous avons développé un cadre unifié basé sur l’apprentissage profond pour prédire les interfaces de liaison tant sur les anticorps que sur les antigènes.RésultatsNotre cadre exploite trois aspects clés des interactions anticorps-antigènes afin d’apprendre des représentations structurales prédictives : (i) puisque les interfaces sont formées par plusieurs résidus en proximité spatiale, nous utilisons des convolution graphes pour agréger les propriétés au sein de régions locales d’une protéine ; (ii) puisque les interactions sont spécifiques aux paires anticorps-antigènes, nous intégrons une couche d’attention pour encoder explicitement le contexte du partenaire ; (iii) puisque des données sont plus abondantes pour les interactions protéine-protéine en général, nous utilisons l’apprentissage par transfert pour exploiter ces données comme priori dans le cas spécifique des interactions anticorps-antigènes. Nous démontrons que ce cadre unique atteint des performances de pointe dans la prédiction des interfaces de liaison sur les anticorps et les antigènes, et que chacun de ses trois composants contribue de manière significative à l’amélioration des résultats. Nous montrons également que la couche d’attention améliore non seulement la performance, mais fournit également une perspective biologiquement interprétable sur le mode d’interaction.Disponibilité et implémentationLe code source est librement disponible sur GitHub à l’adresse suivante : https://github.com/vamships/PECAN.git.