从 B 细胞进化中学习：通过在线优化进行抗体设计的自适应多专家扩散.pdfVIP

从B细胞进化中学习：通过在线优化进行抗体设计的自适应多专家扩散

1∗1∗2∗134

HanqiFeng,PengQiu,MengchunZhang,YiranTao,YouFan,JingtaoXu,Barnabas

Poczos1†

1SchoolofComputerScience,CarnegieMellonUniversity

2DepartmentofBiostatistics,UniversityofPittsburgh

3DepartmentofMathematics,King’sCollegeLondon

4DepartmentofStatistics,LondonSchoolofEconomicsandPoliticalScience

{hanqif,pengq,bpoczos}@,andy0814xu@

Abstract当前方法面临三个根本性的限制：(1)它们通过无

条件扩散生成结构，而没有特定目标的指导(Watson

近期扩散模型的进步在抗体设计方面显示出了巨大的潜

本etal.2023;Trippeetal.2023)，(2)在生成过程中无法

力，然而现有方法采用了统一的生成策略，无法适应每种

平衡多个目标，需要低效的事后过滤(Jinetal.2022;

译抗原的独特需求。受B细胞亲和力成熟启发——其中抗

中体通过多目标优化平衡亲和力、稳定性和自避免性进化Shuai,Ruffolo,andGray2021)，以及(3)要么忽略物

——我们提出了第一个生物动机框架，该框架利用基于理约束，要么需要大量的标记数据来训练属性预测器

1物理领域的知识在一个在线元学习系统中发挥作用。我(Dauparasetal.2022;Hsuetal.2022)。这些限制显

v

4们的方法采用多个专业专家（范德瓦尔斯力、分子识别、著降低了它们在治疗抗体设计中的有效性，在这个领

3能量平衡和界面几何），这些专家的参数在生成过程中根域中每个目标都带来了独特的挑战(Akbaretal.2022;

8

2据迭代反馈进行演变，模仿自然抗体精炼周期。与固定Masonetal.2021)。先前的工作证实，纳入物理性质

0协议不同，这种自适应指导为每个目标发现个性化优化可以提高生物分子设计中的模型性能(Qiu,Feng,and

.策略。我们的实验表明该方法：(1)无需预训练即可为不

8Poczos2025;Luoetal.2022a)。

0同的抗原类别发现最优SE(3)-等变引导策略，在整个优我们提出了一种自适应引导框架，通过将物理感

5化过程中保持分子对称性；(2)显著增强热点覆盖和界面

2质量通过特定目标的适应，实现治疗抗体特征的平衡多知约束直接引入到SE(3)-等变扩散过程(Hoogeboom

:

v目标优化；(3)建立了一个迭代精炼范式，其中每个抗体-etal.2022;Corsoetal.2023)