Nat. Mach. Intell. | 预测抗体与T细胞受体互补决定区的构象柔性

蛋白质具有高度的构象柔性，其形状适应能力对功能特性至关重要。例如，抗体互补决定区（CDR）环的柔性会影响结合亲和力与特异性，是理解并设计抗原结合能力的关键因素。尽管 AlphaFold 等方法已能高精度预测单一静态结构，但结构柔性的可靠预测仍未实现，主要受限于适合的训练数据稀缺。

研究人员聚焦于抗体与 T 细胞受体（TCR）中功能上重要的 CDR3 环的柔性预测。为此，研究人员构建了 ALL-conformations 数据集，从蛋白质数据库（PDB）中系统提取 CDR3 及其类似环结构，共包含 120 万个环结构、超过 10 万条独特序列，覆盖了实验中观察到的所有构象。基于此数据集，研究人员开发了 ITsFlexible 模型——一种基于图神经网络（GNN）的深度学习工具，可将 CDR 环二分类为“刚性”或“柔性”。ITsFlexible 在晶体结构数据集上优于所有对照方法，并能泛化至分子动力学模拟。研究人员进一步使用 ITsFlexible 预测了三个无解析结构的 CDRH3 环的柔性，并通过冷冻电镜实验验证，其中两个预测结果与实验一致。

蛋白质通常具有多种稳定的构象状态，这些状态间的转变对功能至关重要。抗体和 TCR 主要通过六个互补决定区（CDRs）识别抗原，其构象柔性影响结合特异性、亲和力及多特异性。柔性可以增加结合谱的广度，但也可能降低亲和力。

虽然 AlphaFold 等模型能准确预测静态结构，但预测蛋白质的多重构象状态仍极具挑战。造成困难的关键因素是缺乏可用于训练的高质量数据。实验技术如核磁共振（NMR）与氢氘交换质谱虽能测定动态性，但难以获得原子级柔性信息；而晶体结构虽解析度高，却仅能代表部分构象。分子动力学（MD）模拟能生成构象系综，但计算代价高昂，尚不足以支持大规模机器学习模型训练。

在此背景下，研究人员聚焦于抗体和 TCR 的 CDR3 柔性预测，构建覆盖全蛋白的环结构数据库以弥补数据不足，从而开发出可泛化的柔性预测方法。

研究人员从 PDB 中系统挖掘由两条反平行 β 链包围的环状结构，形成 ALL-conformations 数据集，包含五个子集：抗体 CDRH3、CDRL3、TCR CDRB3、CDRA3 以及所有蛋白中的类似环结构。该数据集共含 120 万个晶体结构，约 10 万条独特序列，覆盖了实验观察到的全部构象状态。

环被定义为“柔性”或“刚性”：若同一序列在不同结构中出现多种构象，则标记为柔性；若在至少五个独立晶体结构中保持一致，则定义为刚性。最终获得超过 1.6 万个刚性环和 4,000 个柔性环。

ITsFlexible 是一个基于 E(n)-等变图神经网络（GNN） 的二分类模型，输入包括环及其局部结构环境的图表示。节点特征编码氨基酸类型、是否属于环、Cα 原子坐标等；边特征包括共价键信息与距离编码。模型通过三层图卷积更新节点表示，并经线性层输出柔性概率。

模型使用二元交叉熵损失函数、Adam 优化器训练，训练–验证–测试比例为 70–15–15，并控制序列相似度不超过 80%。

对比模型包括：

• 基于环长度与溶剂暴露度的逻辑回归模型；

• 由 AlphaFold 预测的残基置信度（pLDDT）模型；

• 基于多序列比对（MSA）子采样的 AlphaFold 生成构象多样性方法；

• 抗体专用预测器 ABodyBuilder2 的 RMSPE（预测误差）指标。

该数据集全面收录了蛋白质中 β 链间环状结构的所有实验构象。研究人员利用 RMSD 聚类方法标注环的柔性特征，最终获得超过 2 万个明确柔性标签的环序列。

在 PDB 测试集中，ITsFlexible 的 ROC AUC 达到 0.84，PR AUC 为 0.62，显著优于所有基线与零样本方法（图2）。模型消融实验显示，仅使用环序列或局部结构的模型性能下降，说明环与其环境的相互作用是柔性的重要决定因素。

研究人员在抗体与TCR的 CDR3 数据上进一步评估模型性能。ITsFlexible 对所有四类CDR（H3、L3、A3、B3）均取得高准确率（图3），尤其在 CDRH3 集上表现最优，优于 AlphaFold MSA 子采样与 ABodyBuilder2 预测误差模型。

结果显示：

• CDRL3 与 CDRB3 的分类最准确；

• CDRH3 性能略低但依然领先所有方法；

• 模型在序列多样性高的情况下仍保持稳定泛化能力。

研究人员对 19 个抗体进行了 MD 模拟，独立计算 CDR3 的柔性标签。结果表明：

• 在 MD 数据中，CDRH3 的柔性比例为 84%，CDRL3 为 37%；

• ITsFlexible 准确区分柔性与刚性环，表现出接近完美的分离度。

研究人员选取三种预测结果不同的抗体进行 cryo-EM 验证。

• 抗体1：预测为刚性，实验显示单一构象，与预测一致；

• 抗体2：预测为柔性，实验观察到结合界面的构象异质性，验证正确；

• 抗体3：预测为柔性，但实验未观察到异质性，可能因抗原结合导致刚化。

总体上，两项预测与实验一致，验证了模型的可靠性。

构象变化是许多蛋白质功能的核心，尤其对抗体和TCR而言，CDR3的柔性直接影响结合亲和力与特异性。然而，当前结构预测工具难以捕捉多重构象。

研究人员通过构建 ALL-conformations 数据集与 ITsFlexible 模型，实现了对CDR3柔性的高精度预测。该方法揭示：

• 序列与局部结构环境共同决定环的柔性；

• 模型可在无实验结构的抗体中使用预测模型输入实现可靠判断；

• AlphaFold置信度（pLDDT）与抗体预测误差（RMSPE）均不足以表征柔性；

• MSA子采样虽能提升结构多样性，但仍无法准确反映真实构象灵活性。

此外，研究人员指出，该模型能辅助药物设计：

• 柔性预测可帮助筛选亲和力更高、特异性更强的抗体；

• 可优先确定需要MD模拟的分子，从而提高计算资源利用率；

• 有助于改进抗原–抗体对接、亲和力优化等后续任务。

最后，研究人员认为，该工作为蛋白质柔性建模奠定了基础，未来可进一步扩展至结合态与游离态构象的比较预测，为生物分子设计提供新的工具路径。

Spoendlin, F.C., Fernández-Quintero, M.L., Raghavan, S.S.R. et al. Predicting the conformational flexibility of antibody and T cell receptor complementarity-determining regions. Nat Mach Intell (2025). 

https://doi.org/10.1038/s42256-025-01131-6