De novo antibody design with SE(3) diffusion

我们介绍了IgDiff，这是一种基于通用蛋白质骨架扩散框架的抗体可变区扩散模型，该框架被扩展以处理多个链。评估我们模型生成的结构的可设计性和新颖性，我们发现IgDiff生成的抗体具有高度可设计性，可以包含新的结合区。样本结构的骨架二面角与参考抗体分布表现出良好的一致性。我们通过实验验证了这些设计的抗体，并发现所有抗体均具有高产量。最后，我们将我们的模型与最先进的生成骨架扩散模型进行比较，在一系列抗体设计任务中，例如设计互补决定区或将轻链配对到现有重链，我们展示了改进的性能和可设计性。

本论文旨在提出一种基于通用蛋白质骨架扩展到处理多个链的抗体变量域扩散模型，以产生高度可设计的抗体，验证其设计性和新颖性。

该论文的关键思路是使用IgDiff模型生成高度可设计的抗体，该模型能够处理多个链，包含新颖的结合区域，其骨架二面角角度与参考抗体分布具有良好的一致性。

该论文使用实验证实了所有设计的抗体均具有高产量，与现有的生成骨架扩散模型相比，在抗体设计任务中具有更好的性能和可设计性。该论文还使用了多个数据集和开源代码。值得进一步研究。

最近的相关研究包括“Deep learning enables rapid identification of potent DDR1 kinase inhibitors”和“Deep learning for drug discovery and biomarker development”。