帕拉普勒姆:一种快速而准确的抗体帕拉托普预测方法,提供了对集规模结合动态的洞察力
Gabriel Athènes1,2, Adam Woolfe2, Thierry Mora1
1Laboratoire de physique de l'École Normale Supérieure, CNRS, PSL University, Sorbonne Université, and Université de Paris, Paris, France.
PLoS computational biology
|February 18, 2026
概括
使用蛋白质语言模型,Paraplume准确地预测了抗体寄生虫,加速了治疗性抗体的发展. 这种基于序列的方法优于结构依赖的方法,并增强了抗体工程任务.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 结构生物学 结构生物学
背景情况:
- 抗体寄生虫对抗原结合和免疫识别至关重要.
- 目前的帕拉托普识别方法依赖于计算密集的结构建模,限制了可扩展性.
- 准确的帕拉托普预测可以加速治疗性抗体的发展.
研究的目的:
- 为了介绍Paraplume,一种基于序列的新型paratope预测方法.
- 通过使用多个基准来评估Paraplume与现有方法的性能.
- 证明Paraplume在改进下游抗体工程任务和分析大型抗体库中的实用性.
主要方法:
- 在没有结构输入的情况下利用蛋白质语言模型 (PLM) 的嵌入来进行对型预测.
- 开发了一种名为Paraplume的基于序列的预测方法.
- 应用Paraplume来重新权衡PLM嵌入式以实现增强的序列表示.
- 分析大型抗体库,以调查帕拉托普特征.
主要成果:
- 与目前的方法相比,Paraplume在多个基准测试中在paratope预测方面取得了卓越的表现.
- 通过Paraplume预测重新加权PLM嵌入,可以改善下游任务,例如绑定器分类和表位组绑定.
- 对大型抗体库的分析揭示了抗原特异性体质突变和较大的类动物之间的关联.
结论:
- 帕拉普勒姆为结构依赖的帕拉托普预测方法提供了一个强大而可扩展的替代方案.
- 使用PLM的基于序列的帕拉托普预测为抗体工程和理解抗体进化开辟了新的途径.
- 这些发现表明,通过帕拉托普尺寸调节来增强抗体亲和力的潜在机制.
