相关实验视频
Updated: May 11, 2026

16:41
A Protocol for Computer-Based Protein Structure and Function Prediction
Published on: November 3, 2011
PEPNet:一个双阶段的点云框架,具有层次嵌入和抗原-抗体相互作用建模,用于表位预测
Jiayi Chen1, Guixu Zhang1, Zhijian Xu2,3
1School of Computer Science and Technology, East China Normal University, 3663 Zhongshan North Road, Putuo District, Shanghai 200062, China.
Briefings in bioinformatics
|February 19, 2026
概括
PEPNet利用原子级点云来改进表位预测,优于现有方法. 这种新的方法通过保留详细的空间特征来增强抗体-抗原识别,以便更好地设计治疗性抗体.
科学领域:
- 计算免疫学计算免疫学
- 结构生物信息学 结构生物信息学
- 机器学习在药物发现中的作用
背景情况:
- 对免疫学和抗体设计来说,皮层预测至关重要.
- 目前使用残留水平图的方法错过了对抗体-抗原识别至关重要的原子几何细节.
研究的目的:
- 开发一种新的计算框架,使用原子级蛋白质表示来进行表位预测.
- 通过结合细粒度结构信息来提高表位预测模型的准确性和稳定性.
主要方法:
- 模拟蛋白质作为原子级点云,以保存高分辨率的空间特征.
- 开发了PEPNet,这是一个双阶段点云框架,具有残留意识的层次嵌入和旋转定位编码.
- 采用BERT式预训,数据增强和交叉注意力解码器用于抗原-抗体相互作用建模.
主要成果:
- PEPNet获得了优异的性能,MCC = 0.401和AUC = 0.765.
- 在AlphaFold3预测结构 (MCC = 0.346) 上表现出强大的稳定性,超过了像WALLE (MCC = 0.305) 这样的现有方法.
结论:
- PEPNet的原子级点云方法显著提高了表位预测的准确性.
- 该模型显示了在抗体-抗原分析和治疗抗体设计中的实际应用潜力.

