Интеграция глубокого обучения с физико-ориентированным моделированием позволяет точно предсказывать интерфейс антитело–антиген

Почему это важно для будущих лекарств

Антитела — управляемые «ракеты» нашей иммунной системы и многих современных препаратов. Чтобы проектировать лучшие антитела, учёным нужно точно знать, как антитело захватывает свою мишень, или антиген. Экспериментальное определение этих структур медленное и дорогое. В этой работе показано, что сочетание глубокого обучения с классическим физико-ориентированным моделированием существенно улучшает компьютерные предсказания зон контакта антитела и антигена, что потенциально ускоряет разработку и скрининг антител.

Нахождение зоны «рукопожатия»

Антитела распознают свои мишени с помощью небольших гибких петель на кончиках — участков связывания, которые формируют контактную поверхность. Эти петли могут изгибаться и крутиться, а соответствующая зона на антигене часто растянутая и мелкая, а не в виде глубокого кармана. Такая гибкость и тонкость делают задачу докинга — выяснить, как две формы состыковываются — чрезвычайно сложной для компьютеров. Традиционные докинговые программы перебирают множество взаимных позиций двух белков и оценивают их физическими правилами (например, электростатикой и смещением воды), но без биологических подсказок они нередко приходят к неверным решениям.

Обучение сети предлагать вероятные места контакта

Авторы используют модель глубокого обучения под названием ParaDeep, чтобы угадать, какие аминокислоты антитела с наибольшей вероятностью будут касаться антигена. ParaDeep делает это, работая только с последовательностью антитела — порядком его строительных блоков — без необходимости полной 3D‑структуры. Модель считывает последовательности тяжёлой и лёгкой цепей вместе, кодирует их химические и позиционные признаки и применяет механизмы внимания, чтобы выделить остатки, похожие на хороших кандидатов для связывания. Каждая позиция получает вероятность; те, которые выше порога, рассматриваются как предсказанная контактная зона, которую затем можно сопоставить со структурой антитела.

Направление физического движка вместо его замены

Вместо того чтобы использовать глубокое обучение для генерации полных комплексов антитело–антиген с нуля, команда передаёт предсказанные ParaDeep контактные остатки в существующий физико-ориентированный докинговый движок PyDockWEB. Эта программа перебирает тысячи возможных способов встречи антитела и антигена и оценивает их с помощью энергетической функции. В новой схеме предсказанные контактные остатки выступают в роли «мягких» ограничений: они смещают поиск так, чтобы многие сэмплируемые ориентации приближали эти остатки к поверхности антигена. Важно, что базовая физическая оценка и жестко-тельная модель белков остаются без изменений, что делает процесс прозрачно объяснимым и относительно экономичным в исполнении.

Насколько лучше стали предсказания?

Исследователи протестировали гибридный подход на 50 известных комплексах антитело–антиген из кураторской базы данных. В каждом случае они сравнивали стандартный «слепой» докинг и докинг с ограничениями от ParaDeep. Оценивали локальную точность интерфейса (насколько предсказанная контактная зона соответствовала реальности), общую схожесть форм и комбинированную оценку качества, широко применяемую для ранжирования докинговых моделей. По этому набору направляемый метод существенно уменьшил ошибки в зоне связывания, приблизил общие структуры к истинным комплексам и переместил многие предсказания из явно ошибочных в средние или высококачественные категории. Почти половина направляемых моделей попала в диапазон высокого качества, по сравнению примерно с четвертью для слепого докинга.

Почему некоторые стыковки получаются легче

Команда также изучила, почему в одних комплексах улучшение было более заметным, чем в других. Оказалось, что простое предсказание большего числа контактных остатков не гарантирует успеха; важно было разместить ограничения в правильной области, а не их количество. Интерфейсы, склонные к гидрофильности и содержащие больше гибких коильных сегментов, как правило, докировались лучше — вероятно, потому что они хорошо согласуются с акцентом PyDockWEB на электростатике и легче выравниваются без крупных изменений формы. Когда исследователи повторили некоторые провальные случаи, используя «оракульную» информацию о контактах, извлечённую напрямую из экспериментальных структур, большинство таких случаев улучшились, что подтверждает: точная локализация контактной пятна — ключевой фактор. Тем не менее жёстко-тельный докинг имеет ограничения, когда требуются большие конформационные перестройки.

Что это означает дальше

Проще говоря, работа показывает: подсказывая физическому докинговому инструменту разумное место, где антитело вероятно схватит мишень, можно значительно повысить его точность, не превращая процесс в непрозрачную «чёрную коробку». Конвейер ParaDeep–PyDockWEB не заменяет более продвинутые гибкие или генеративные методы, но предлагает практичный способ использовать сигналы глубокого обучения на уровне последовательности для направления знакомых, интерпретируемых инструментов докинга. По мере того как проекты по поиску и инженерии антител генерируют всё большие библиотеки последовательностей, такие гибридные подходы помогут исследователям быстро отфильтровывать кандидатов, структурно совместимых с заданной мишенью, делая путь от последовательности к рабочему антителу быстрее и более информированным.

Цитирование: Kodchakorn, K., Udomwong, P., Pamonsupornwichit, T. et al. Integrating deep learning with physics based modeling enables high precision antibody antigen interface prediction. Sci Rep 16, 8134 (2026). https://doi.org/10.1038/s41598-026-39466-8

Ключевые слова: докинг антител, глубокое обучение, предсказание паратопа, взаимодействия белок–белок, дизайн антител