動機抗体と抗原との特異的相互作用の理解は、より効果的な薬剤およびワクチンの設計を可能にするとともに、自然免疫のメカニズムに関する洞察を提供する。実験的手法による構造的同定は、抗体–抗原相互作用の「真実の姿」を詳細に明らかにすることができるが、大規模な研究に効率的に対応するためには計算手法の活用が不可欠である。予測精度の向上と、これらの相互作用に関する新たな生物学的知見の獲得を目的として、抗体および抗原の結合界面を統一的な深層学習ベースのフレームワークにより予測する手法を開発した。結果本フレームワークは、抗体–抗原相互作用の3つの重要な側面を活用して、予測可能な構造的表現を学習する。まず、結合界面は空間的に近接する複数のアミノ酸残基から構成されるため、タンパク質内の局所領域において性質をグラフ畳み込み（graph convolution）によって集約する。次に、抗体–抗原間の相互作用はペア特有の特異性を持つため、相手方の文脈を明示的にエンコードするためのアテンション層（attention layer）を導入する。さらに、一般のタンパク質–タンパク質相互作用に関するデータが豊富に存在する点を活かし、抗体–抗原相互作用という特定のタスクにおいても、そのデータを事前知識（prior）として活用するための転移学習（transfer learning）を採用する。本研究では、この単一のフレームワークが、抗体および抗原の結合界面予測において最先端の性能を達成することを示した。また、フレームワークの3つの構成要素がそれぞれ性能向上に寄与していることも確認した。さらに、アテンション層は性能向上に加え、相互作用のメカニズムについて生物学的に解釈可能な視点を提供することも明らかにした。利用可能性と実装ソースコードは、GitHubにて無料で公開されている。URL: https://github.com/vamships/PECAN.git