Improving Paratope and Epitope Prediction by Multi-Modal Contrastive Learning and Interaction Informativeness Estimation

准确预测抗体设计中的抗体-抗原结合残基，即抗原表位和抗体表位，是非常关键的。然而，现有方法仅专注于单模态数据（序列或结构），忽略了多模态数据中的补充信息，并且大多数方法分别预测抗体表位和抗原表位，忽略了它们之间的特定空间相互作用。本文提出了一种新颖的基于多模态对比学习和交互信息评估的抗体表位和抗原表位预测方法，名为MIPE，利用抗体和抗原的序列和结构数据。MIPE实现了一种多模态对比学习策略，最大化每种模态中结合和非结合残基的表示，并同时将单模态表示对齐到有效的多模态表示。为了利用空间交互信息，MIPE还包含一个交互信息评估，计算抗体和抗原之间的估计交互矩阵，从而将其近似于实际矩阵。广泛的实验表明，与基线相比，我们的方法具有更好的性能。此外，消融研究和可视化证明，MIPE具有更好的表示能力和更好的交互模式理解能力，这是通过多模态对比学习和交互信息评估获得的。

本论文旨在解决抗体设计中的重要问题，即准确预测抗体-抗原结合残基（即表位和抗原表位），并提出了一种新的多模态对比学习和交互信息估计的方法MIPE。

MIPE方法采用多模态对比学习策略，同时最大化每种模态中结合和非结合残基的表示，并将单模态表示对齐到有效的多模态表示。为了利用空间交互信息，MIPE还引入了交互信息估计，计算抗体和抗原之间的估计交互矩阵，从而近似于实际交互模式。

论文的实验结果表明，MIPE方法相比基线方法具有更好的预测效果。此外，该论文还进行了消融实验和可视化分析，证明了MIPE方法的优越性，这归因于通过多模态对比学习获得的更好的表示和交互信息估计所理解的交互模式。

最近的相关研究包括使用深度学习模型预测抗体-抗原结合位点的方法，如DeepCDR、Parapred等。