【AIDD】2023 Nature Communications IgFold Fast, accurate antibody structure prediction from deep learn

目录

1、简介

2、IgFold

摘要

引言

结果

抗体结构的端到端预测

来自预训练模型的嵌入对结构特征进行编码

从序列嵌入预测坐标

每个残基的误差预测

用AlphaFold对结构数据集进行扩增

抗体结构预测基准测试

预测的结构在重构前是高质量的

短时间内实现精准抗体结构预测

深度学习方法在CDR H3的准确性上趋于一致

快速的纳米抗体结构预测仍然是一个挑战

误差预测识别不准确的 CDR 环

模板数据被成功纳入预测范围

最小化重构产生更快的预测结果

成对抗体结构的大规模预测

讨论

方法

生成 AntiBERTy 嵌入编码

IgFold 模型实现

训练过程 

结构预测集成

优化过程

基准测试数据集

基准测试其他方法

报告总结

数据可用性

代码可用性

致谢

作者贡献

利益冲突

补充信息

通讯及材料索取

同行评审信息

重印及权限信息

出版者说明

开放获取

3、参考

1、简介

今天为大家介绍的是来自约翰霍普金斯大学的一篇抗体结构预测的论文。抗体能够结合多种多样的抗原，已成为关键的治疗诊断分子。抗体的结合通过一组经过基因重组和突变的六个高度可变环来促进。尽管取得了最近的进展，但这些环的精确结构预测仍然具有挑战性。本文介绍了IgFold，一种用于抗体结构预测的快速深度学习方法。IgFold由一个在5.58亿个天然抗体序列上进行预训练的语言模型组成，然后通过图网络直接预测骨架原子坐标。与其他方法（包括AlphaFold）相比，IgFold在显著更短的时间内（不到25秒）预测出类似或更高质量的结构。这种时间尺度上的准确结构预测使得以前无法实现的研究成为可