ParaSurf : Une Approche d'Apprentissage Profond Fondée sur la Surface pour la Prédiction des Interactions Paratope-Antigène

MotivationL’identification des sites de liaison des anticorps est essentielle au développement de vaccins et d’anticorps thérapeutiques, des processus longs et coûteux. Une prédiction précise du site de liaison du paratope peut accélérer considérablement ces développements en améliorant notre compréhension des interactions anticorps-antigène.RésultatsNous présentons ParaSurf, un modèle d’apprentissage profond qui améliore significativement la prédiction du paratope en intégrant à la fois des facteurs géométriques de surface et des facteurs non géométriques. Entraîné et testé sur trois benchmarks majeurs d’interactions anticorps-antigène, ParaSurf atteint des résultats de pointe sur presque toutes les métriques. Contrairement aux modèles limités à la région variable, ParaSurf démontre sa capacité à prédire avec précision les scores de liaison sur l’ensemble de la région Fab de l’anticorps. En outre, nous avons mené une analyse approfondie à l’aide du plus grand des trois jeux de données utilisés, en se concentrant sur trois composantes clés : (1) une évaluation détaillée de la prédiction du paratope pour chaque boucle de région déterminante de complémentarité (CDR), (2) les performances des modèles entraînés exclusivement sur la chaîne lourde, et (3) les résultats obtenus en entraînant des modèles uniquement sur la chaîne légère, sans intégration de données provenant de la chaîne lourde.Disponibilité et mise en œuvreLe code source de ParaSurf, ainsi que les jeux de données utilisés, le pipeline de prétraitement et les poids du modèle entraîné, sont disponibles gratuitement à l’adresse suivante : https://github.com/aggelos-michael-papadopoulos/ParaSurf.Informations complémentairesLes données complémentaires sont disponibles en ligne sur Bioinformatics.