FAFE: Immune Complex Modeling with Geodesic Distance Loss on Noisy Group Frames

尽管像AlphaFold2(AF2, Jumper et al. (2021))这样的一般蛋白质折叠模型取得了惊人的成功，但准确地计算抗体-抗原复合物仍然是一项具有挑战性的任务。在本文中，我们首先分析了AF2的主要损失函数，即Frame Aligned Point Error (FAPE)，并提出了一个之前被忽视的问题，即FAPE往往会在高旋转误差目标上面临梯度消失问题。为了解决这个根本性限制，我们提出了一种新的测地线损失，称为Frame Aligned Frame Error (FAFE，用于区分FAPE的缩写为F2E)，它使模型能够更好地优化两个帧之间的旋转和平移误差。然后，我们证明了F2E可以被重新表述为一个群感知的测地线损失，将残基到残基的误差优化为优化组到组的测地线帧距离。通过使用我们提出的新损失函数对AF2进行微调，我们在评估集上获得了52.3\%的正确率(DockQ>0.23)，在低同源子集上获得了43.8\%的正确率，相对于AF2分别有182\%和100\%的显著提高。

本文旨在解决抗体-抗原复合物计算建模的问题，提出了一种新的损失函数来优化旋转和平移误差。

本文提出了一种新的损失函数，称为Frame Aligned Frame Error (FAFE)，以解决AlphaFold2中存在的梯度消失问题。

本文通过设计新的损失函数，使得模型在抗体-抗原复合物计算建模中的正确率得到了大幅提升。实验使用了评估集和子集，取得了较好的成果。

最近的相关研究包括AlphaFold2等模型。