Antigen-specific Antibody Multi-modal Foundation Model for Functional Antibody Design

📄 arXiv: 2607.20057v1 📥 PDF

作者: Xiaoliang Shi, Zichen Wang, Runze Ma, Zhongyue Zhang, Shuangjia Zheng

分类: q-bio.BM, cs.LG

发布日期: 2026-07-22

🔗 代码/项目: GITHUB

💡 一句话要点

提出AAMFM模型以解决抗原特异性抗体设计问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 抗原特异性 抗体设计 多模态模型 功能优化 机器学习

📋 核心要点

  1. 现有的蛋白质语言模型在抗原特异性抗体设计中存在不足，尤其是在抗体与抗原的表位配对方面。
  2. 本文提出的AAMFM模型通过学习抗体序列和结构的统一表示，结合抗原信息，解决了抗体-抗原相互作用建模的挑战。
  3. 实验结果显示，AAMFM在功能抗体设计中达到了最先进的性能，展示了其在抗原特异性抗体工程中的应用潜力。

📝 摘要（中文）

抗体是通过与特定抗原分子结合来发挥免疫识别作用的重要蛋白质。尽管近期的蛋白质语言模型在单链蛋白建模和生成方面取得了进展，但在抗原特异性抗体设计中仍存在不足，尤其是在表位层面需要明确的抗体与抗原配对。为了解决这些局限性，本文提出了抗原特异性抗体多模态基础模型AAMFM，该模型学习基于抗原上下文的抗体序列和结构的统一表示。AAMFM通过跨模态适配器整合丰富的抗原信息，包括几何界面和表位注释，从而在共享潜在空间中联合建模抗体-抗原相互作用。通过使用经过校准的直接偏好优化（Cal-DPO）对AAMFM进行微调，利用从强结构先验中提取的偏好信号来对齐学习与结合特异性目标。大量实验表明，AAMFM在功能抗体设计中实现了最先进的性能，展现了其在抗原特异性抗体工程中的潜力。

🔬 方法详解

问题定义：本文旨在解决抗原特异性抗体设计中的建模不足，现有方法未能有效处理抗体与抗原之间的表位配对问题。

核心思路：AAMFM模型通过跨模态适配器整合抗原的几何信息和表位注释，学习抗体序列和结构的统一表示，从而实现抗体-抗原相互作用的联合建模。

技术框架：AAMFM的整体架构包括抗体序列输入、抗原信息整合模块和联合建模模块，利用共享潜在空间进行抗体-抗原交互的建模。

关键创新：AAMFM的主要创新在于其跨模态适配器的设计，使得抗体和抗原信息能够在同一潜在空间中有效结合，区别于传统方法的单一视角建模。

关键设计：模型采用Calibrated Direct Preference Optimization（Cal-DPO）进行微调，通过提取的偏好信号对齐学习目标，确保模型在功能相关性上的表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AAMFM在功能抗体设计中达到了最先进的性能，相较于基线方法，性能提升显著，具体数据未提供，但展示了其在抗原特异性抗体工程中的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括疫苗设计、抗体工程和疾病治疗等。AAMFM模型能够为抗原特异性抗体的快速设计提供有效工具，推动生物医药领域的创新与发展。

📄 摘要（原文）

Antibodies are essential proteins that play a central role in immune recognition by binding specific antigen molecules. Although recent protein language models have enabled progress in single-chain protein modeling and generation, they often fall short in antigen-specific antibody design, where effective modeling requires explicit pairing between antibody and antigen, particularly at the epitope level. To address these limitations, we introduce AAMFM, an Antigen-specific Antibody Multimodal Foundation Model that learns unified representations of antibody sequences and structures conditioned on antigen context. AAMFM incorporates rich antigen information including geometric interfaces and epitope annotations via a cross-modal adapter, enabling joint modeling of antibody-antigen interactions in a shared latent space. To further guide the model toward functional relevance, we fine-tune AAMFM using Calibrated Direct Preference Optimization (Cal-DPO), leveraging preference signals extracted from a strong structural prior to align learning with binding-specific objectives. Extensive experiments demonstrate that AAMFM achieves state-of-the-art performance in functional antibody design, revealing its potential for antigen-specific antibody engineering. Our code is available at https://github.com/XL-S224/AAMFM.