AI-Augmented Physics-Based Docking for Antibody-Antigen Complex Prediction
Notice bibliographique
Résumé
Abstract Predicting the structure of antibody-antigen complexes is a challenging task with significant implications for the design of better antibody therapeutics. However, the levels of success have remained dauntingly low, particularly when high standards for model quality are required, a necessity for efficient antibody design. Artificial intelligence (AI) has significantly impacted the landscape of structure prediction for antibodies, both alone and in complex with their antigens. We utilized AI-guided antibody modeling tools to generate ensembles displaying diversity in the complementarity-determining region (CDR) and integrated those into our previously published AlphaFold2-rescored docking pipeline, a strategy called AI-augmented physics-based docking. We highlight that the quality of the ensemble is crucial for docking performance, that including too many models can be detrimental and that prioritization of models is essential for achieving good performance. In this study, we also compare docking performance with AlphaFold, the new benchmark in the field. We distinguish between two types of success tailored to specific downstream applications: 1) criteria sufficient for epitope mapping, where gross quality is adequate and can complement experimental techniques, and 2) criteria for producing higher-quality models suitable for engineering purposes. Our results robustly demonstrate the advantages of AI-augmented docking over AlphaFold2, further accentuated when higher standards in quality are imposed. Docking performance is noticeably lower than the one of AlphaFold3 in both epitope mapping and antibody design. While we observe a strong dependence on CDR-H3 length for physics-based tools on their ability to successfully predict, this helps define an applicability range where physics-based docking can be competitive to AlphaFold3.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».