Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization

本文中，我们将抗原特异性抗体设计作为一种蛋白质序列-结构共同设计的问题，考虑了合理性和功能性。抗体设计是一项具有重要影响的关键任务，涉及到治疗和生物学等各个学科，由于其复杂的性质，存在着相当大的挑战。我们利用预先训练的条件扩散模型，该模型联合建模抗体中互补决定区（CDR）的序列和结构，并结合等变神经网络，提出了直接基于能量的偏好优化方法，以引导生成既具有合理结构又具有相当结合亲和力的抗体。我们的方法涉及使用残基级别分解能量偏好对预先训练的扩散模型进行微调。此外，我们采用梯度手术来解决各种能量之间的冲突，例如吸引和排斥。在RAbD基准测试上的实验表明，我们的方法有效地优化了生成抗体的能量，并在设计具有低总能量和高结合亲和力的高质量抗体方面取得了最先进的性能，证明了我们方法的优越性。

本文旨在解决抗体设计中的序列-结构共同设计问题，通过使用预训练的条件扩散模型和等变神经网络，提出了直接基于能量的优化方案，以同时生成具有合理结构和良好结合亲和力的抗体序列。

本文的关键思路是利用预训练的条件扩散模型和等变神经网络，通过直接基于能量的优化方案来生成具有合理结构和良好结合亲和力的抗体序列。

本文提出的方法在RAbD基准测试中表现出色，能够有效优化生成的抗体的能量，并设计出具有低总能量和高结合亲和力的高质量抗体，实验结果表明了该方法的优越性。本文使用了细胞因子决定区（CDR）的序列和结构数据，使用了梯度修剪来解决能量吸引和排斥之间的冲突。本文的方法对于抗体设计和生物学等领域具有重要意义，值得进一步研究。

最近在这个领域中，还有一些相关研究，例如“Antibody Design Using Machine Learning: Methods, Applications, and Perspectives”和“Deep Learning for Computational Protein Design”。