Evaluating Zero-Shot Scoring for In Vitro Antibody Binding Prediction with Experimental Validation

治疗性抗体的成功依赖于它们选择性结合抗原的能力。基于人工智能的抗体设计方案已经展现出在生成表位特异性设计方面的潜力。其中许多方案使用反向折叠步骤，根据骨架结构生成多样的序列。由于筛选成本高昂，因此识别候选序列可能会在体外结合是关键的。在这里，我们比较了基于开源模型的8种常见评分范式的功效，以将抗体设计分类为结合体或非结合体。我们在涵盖5种抗原的新型表面等离子共振（SPR）数据集上评估了这些方法。我们的结果表明，现有方法难以检测到结合体，并且在不同抗原上的表现差异很大。我们发现，在灵活对接的抗体-抗原复合物上计算的度量更加稳健，而集合评分比单个评分更一致。我们提供实验洞察力来分析当前的评分技术，强调开发强大的零样本过滤器是一个重要的研究空白。

本篇论文旨在比较8种常见的评分范式在抗体设计中的适用性，以区分可能在体外结合的候选序列，解决抗体设计中的筛选成本问题。

通过对8种评分方法的比较，本文发现灵活配对的抗体-抗原复合物所计算的指标更为稳健，而集成得分比单个指标更一致。

本文使用了一个新的表面等离子体共振（SPR）数据集，涵盖了5种抗原，对评分方法进行了评估。实验结果表明，现有方法难以检测到结合者，并且在不同抗原之间的性能差异很大。本文强调了开发稳健的零样本过滤器的重要性。

与本文相关的研究包括使用AI设计抗体的其他研究，以及在抗体设计中开发更有效的评分方法的研究。例如，“DeepCDR”和“AbDesign”等AI设计抗体的研究，以及“RosettaAntibody”和“FoldX”等评分方法的研究。