图灵汇官网

标题：机器学习在抗体特异性预测与评估中的关键角色

正文：

机器学习（ML）在准确预测抗体与抗原结合过程中扮演着核心角色。然而，应用于抗体特异性预测及其基准测试时，面临两大瓶颈：缺乏统一的ML形式化来应对免疫抗体特异性预测问题，以及缺乏大规模合成数据集来评估现实世界相关的ML方法与数据集设计。

为解决这些问题，挪威奥斯陆大学的研究人员开发了名为Absolut!的软件套件。Absolut!软件具备基于合成的三维抗体-抗原结合结构生成能力，其生成过程不受参数约束，并能提供关于构象互补位、表位和亲和力的真实情况访问。

研究将常见的免疫抗体特异性预测问题转化为ML任务，并验证了基于实验数据训练的ML方法的准确性是否适用于基于Absolut!生成数据集训练的ML方法。Absolut!框架有望推动生物治疗设计中的ML策略实现现实世界相关的发展与基准测试。

这项研究以“无约束合成抗体-抗原结构生成指导抗体特异性预测的机器学习方法”为题，于2022年12月19日发布在《Nature Computational Science》杂志上。Absolut!的出现填补了实验抗体-抗原结合数据集的空白，为机器学习方法的开发和测试提供了更为全面的环境。

研究指出，抗体疗法在感染、癌症和自身免疫性疾病治疗方面取得显著进展。抗体通过三维结构精准结合外来分子（抗原），这一界面由抗体侧的互补位与抗原侧的表位共同决定。然而，解析原子水平的3D抗体-抗原复合物需要大量时间和成本，且当前非冗余抗体-抗原结构数量远少于抗体序列的多样性。

此外，缺乏足够的结构性抗体-抗原结合数据，以及抗体-抗原结合与蛋白质-蛋白质对接的复杂性，是抗体-抗原结合预测面临的挑战。机器学习（ML）在这一领域发挥着重要作用，它能够揭示蛋白质-蛋白质相互作用背后的非线性规则，包括结合界面氨基酸间的长距离依赖性。

Absolut!框架允许生成合成的完整知识数据集，包括反映实验设置和生物学机制的所需信号与噪声水平。在大规模数据集可用于澄清ML假设与确定未来实验设计优先级之前，模拟数据集已被用于方法论开发与校准。Absolut!在抗体-抗原结合预测中提供了准确而有意义的问题定义，这在实验数据集尚不具备注释级别的情况下尤为重要。

Absolut!数据集的生成不仅考虑了实验性抗体-抗原结合的复杂结构水平，还能够生成大规模数据集，并允许序列和结构信息整合到混合编码中。Absolut!为机器学习方法的开发和测试提供了必要的工具，促进了抗体-抗原结合预测领域的进步。

总之，Absolut!框架为机器学习在抗体特异性预测与评估中的应用提供了强大支持，其对未来抗体-抗原结合预测研究的贡献不容忽视。