算法解析

Our study introduces IgDesign, a generative antibody inverse folding model based on LM-Design, and the first such model to be validated in vitro for antibody binder design.

IgDesign 是一个基于 LM-Design 的生成抗体反折叠模型，
并首次在体外验证了抗体结合剂的设计。LM-Design是此前字节跳动开源的一个技术路线。

相比于lmdesign使用proteinMPNN原版模型，IgDesign自己训练了一个IgMPNN抗体模型。与类似的抗体模型abMPNN相比，有下列不同：

however we note two key differences between the models: (1) IgMPNN is provided antigen sequence and antibody framework (FWR) sequences as context during training. (2) IgMPNN decodes antibody CDRs in sequential order during training: HCDR1, HCDR2, HCDR3, LCDR1, LCDR2, LCDR3. During inference, any order of CDRs can be specified.

LM-Design的核心思路是利用一个BottleNeck适配器结合结构编码器和PLM解码器，生成更具有天然性质的合理序列。模型选择使用ESM2-3B作为PLM模型，并自行训练proteinMPNN抗体版本IgMPNN，最终干湿结合筛选得到阳性序列。

IgMPNN信息比较如下：

参数	IgMPNN	proteinMPNN
k_neighbors	48	64
features	(1) Cα-Cα原子之间的距离，(2) 相对Cα-Cα-Cα框架的方向和旋转，(3) 主链二面角，(4) 确定相对链位置的二元特征，(5) 相对位置编码	使用16个径向基函数（RBF）对i和j残基之间的N、Cα、C、O以及虚拟Cβ的距离进行编码，这些RBF在2Å到22Å之间等距分布。

Our featurization differs from [1] in two ways: (1) We do not assume access to any side chain atoms and thus we do not include any pairwise distance features involving side chain atoms. (2) We include embedded residue type features for all antigen residues and antibody framework residues. We replace the antibody CDR residue embeddings with zero vectors.

如其原文所述，IgMPNN的特征化与proteinMPNN不同，IgMPNN的特征不包括侧链原子，但额外编码了残基类型。ProteinMPNN认为节点特征没有必要而没有加入，但IgMPNN通过引入残基类型或许更有利于局部设计。