抗體是重要的免疫分子，通過與其感染性靶標、抗原結合并觸發定向免疫反應來保護宿主。用于診斷和治療各種疾病的治療性抗體現已成為現代生物醫藥的重要組成部分?？贵w序列數據只提供了部分免疫庫的視圖，如何促進抗原結合的相互作用仍依賴于互補決定區（CDR）的6個環的結構，通過實驗手段確定結構費時費力，隨著計算蛋白質建模的進步和對抗體序列-結構關系的日益了解，對抗體結構進行預測建模已成為業內人士進行抗體設計時的常用手段。
抗體可變片段Fv由重鏈和輕鏈 (VH, VL) 的N端結構域組成，雖然VL和VH結構域的結構高度保守，負責抗原識別和結合的CDR環中的5個都可以采用通過序列相似性來預測的規范折疊，但CDR H3環在序列和結構方面差異很大，成為了很多抗體Fv結構預測算法的“阿喀琉斯之踵”。
小編今天介紹的抗體結構預測算法有的來自老牌軟件，有的來自最新AI算法，均是業內人士耳熟能詳的口碑型選手，可按需取用。
Rosetta始于華盛頓大學David Baker博士的實驗室，軟件包括一系列用于蛋白質結構的計算建模和分析的算法，RosettaAntibody就是其中一種特異性抗體開發算法，用戶可以輕松地根據項目需求使用這個通用的抗體設計框架來定制運行?？蚣芑趪栏竦纳镄畔W分析且使用North/Dunbrack CDR來定義。其算法旨在對抗體-抗原復合物的不同序列、結構和結合空間進行采樣。它可用于多種項目類型，從重新設計到改進結合親和力、優化穩定性都可完美勝任。
算法分為三部分：首先用Kabat定義識別CDR，并使用Chothia方案對殘基重新進行編號。然后對所有框架和六個CDR中的五個進行模板選擇；接著對選定的模板中用同源建模創建初步模型；最后CDRH3從頭循環建模完成模型預測，同時優化VH-VL界面。由于RosettaAntibody對于單鏈抗體的效率較低，因此，對loop定義進行特定調整可以更好地考慮CDR3的特異性。
在一項對抗體建模評估II(AMA-II)中11個未發表抗體結構的基準測試中，RosettaAntibody為其中的4個靶標生成了所有測評工具中表現最好的結構模型，有2個的預測精度低于1A? 。所有框架區域和55個非CDR H3環中的42個預測精度低于1A?。研究還發現將H3的C末端限制為扭結構象將允許更頻繁地采樣以接近天然構象。
在運用KIC+kink的計算方法后，H3與軟件打分的正相關性較高
RosettaAntibody（圈起來的綠點）為AMA-II中11個靶標中的4個產生了最好的CDR H2模型【1】
抗體的特異性主要受Fv區中補充決定區CDRs的影響，大多數用于抗體Fv結構預測的方法都采用某種形式的嫁接，H3的預測精度差強人意。約翰·霍普金斯大學的Jeffrey J. Gray教授基于深度學習預測蛋白結構方法的進展開發了DeepAb，性能優于現有的基于嫁接的方法，可用于廣泛的抗體預測和設計任務。
算法由兩個主要階段組成，第一個階段是一個深度殘差卷積網絡，用于預測Fv結構，用殘差對之間的相對距離和方向表示。網絡只需要輕重鏈序列作為輸入，并設計了可解釋組件，以提供對模型預測的洞察。結構預測模塊最重要的組件是2D ResNet，DeepAb將2D ResNet中的輸出通過Attention層轉化到6個輸出分支，用以表示Fv結構中的關鍵參數。第二階段基于fast Rosetta，利用網絡的預測來實現結構設計。
與另外三種基于嫁接的抗體特異性結構預測算法RosettaAntibody-G 4、6， RepertoireBuilder 5和 ABodyBuilder相比，DeepAb在重鏈框架和輕鏈框架上實現了分別相對于次佳方法14%–18%和16%–17%的平均RMSD改進。在有難度的預測H3環結構任務中，DeepAb平均RMSD為2.33A?，比次佳方法提高了16%。且隨著H3循環長度的增加，所有方法的性能都會下降。只有DeepAb幾乎不受此因素影響， 會為每個循環長度生成最準確的模型。
DeepAb在基準數據集上預測Fv域結構的性能【2】
今年4月，約翰·霍普金斯大學發表了可以快速預測抗體結構的IgFold深度學習方法。盡管一些深度學習方法顯著提高了包括H3環在內的CDR區的建模精度，但仍存在限制算法實用性的因素。例如預測時間太長、不能直接合并模板數據等，IgFold很好地解決了這類問題。
不同于用Rosetta網絡實行抗體設計的DeepAb，IgFold是端到端的預測，算法先從一個預訓練的語言模型提取序列表征（該模型在558M自然抗體序列上進行的訓練），然后通過圖網絡直接預測骨架原子坐標。精度媲美AlphaFold2且預測所需時間不到1分鐘。在4個被測的抗體結構預測算法中（ABodyBuilder, DeepAb, ABlooper, 和AlphaFold），IgFold預測速度不超過1分鐘而且能夠預測全原子結構，ABlooper最多一分鐘，DeepAb則為10分鐘，耗時最久的是AlphaFold，需要大約一個小時。在CDR H3預測準確率層面，IgFold精度好于其他算法，平均RMSD為2.99A?。IgFold與Alphafold-Multimer使用類似的訓練數據集，性能上較為接近。預測納米抗體時，Igfold對CDR3預測的準確性往往不如Alphafold（平均RMSD為3.85?），但速度明顯更快（Igfold少于30秒，Alphafold則是30分鐘）。
除了結構預測外，IgFold還能產生很多靶點的不同構象，這有助于優化現有抗原抗體對接算法的計算速度和準確率。
IgFold預測(A)抗體Fv域和(B)納米抗體結構的準確率【3】
除了以上介紹的三款知名算法，可做抗體結構預測的算法還有AlphaFold2、AbodyBuilder、RaptorX、AbPredict2、RoseTTAFold、NanoNet以及商業軟件MOE和薛定諤BIoLuminate等【4】，限于篇幅不展開詳述，可自行了解。
上述被業內專業人士廣泛使用和驗證的算法均已部署在唯信計算自主研發的分子智能計算平臺WeMol上（wemol.wecomput.com），只需上傳序列即可得到理想的大分子結構，還可在線查看建模結果。無需配置環境，開箱即用，歡迎試用！
WeMol是Wecomput開發的面向生物醫學、材料、化學等領域的新一代分子數字智能計算平臺?；诹魇郊軜嬮_發，支持低代碼定制開發和靈活擴展。核心模塊在速度、準確性、效率等方面均超過或媲美主流商業軟件。WeMol集成了化學信息學、計算生物學、量子化學、人工智能等計算模塊以及小分子和大分子的3D可視化模塊，涵蓋了生物藥設計、小分子設計、量子化學、分子模擬等應用需求，數十個計算模塊可以對Hit->Lead->PCC的全流程進行賦能。平臺旨在幫助用戶構建一個可積累、可復制、可追溯的計算平臺，并可持續、高效地支持計算驅動的創新。
放個鏈接：wemol.wecomput.com (請使用電腦瀏覽器訪問)
WeMol本地化及云端版本均支持大分子計算、小分子計算、數字化三個解決方案，云端版本WeMol Cloud自8月正式上線后，受到了業界的廣泛關注，獲得了從入門到專業用戶的高度認可。眾多獨特算法工具（例如構象生成算法AlphaConf，三維形狀匹配算法AlphaShape，抗體人源化設計流程AlphaHu，RNA序列優化算法AlphaRNA等）都可在WeMol Cloud中免費試用，詳細介紹請見往期文章《分子智能計算平臺云端版-WeMol Cloud正式發布》。歡迎掃碼聯系我們以獲得更多支持~
Wecomput一直致力于打造開放、包容、合作的計算生態，除了WeMol現有算法，我們歡迎各位算法開發者或機構將自己的算法部署到WeMol上，獲得免費推廣及真實用戶使用反饋，惠及更多用戶，一起在行業層面推動計算技術的廣泛應用和發展，加快藥物研發進程，讓計算創造更多價值。
【1】Weitzner BD, Kuroda D, Marze N, et al. Blind prediction performance of RosettaAntibody 3.0: grafting, relaxation, kinematic loop modeling, and full CDR optimization. Proteins 2014;82:1611-1623.
【2】Ruffolo JA, Sulam J, Gray JJ. Antibody structure prediction using interpretable deep learning. Patterns (N Y) 2022;3:100406.
【3】Jeffrey AR, Lee-Shin Chub, ?Jeffrey JG, et al. Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies.Biophysical 2022;121:155a-156a.
【4】Vishwakarma P, Vattekatte AM, Shinada N, et al. VHH Structural Modelling Approaches: A Critical Review. Int J Mol Sci 2022;23.
