在人类与病毒性病原体的博弈中，发现强有力的中和抗体（neutralizing antibody，nab）应用于治疗是重要“武器”之一。在天然抗体或人工设计抗体中，作用机制和中和能力的研究过程，往往需要耗费大量的实验来检测和探究，同时也是“人与病毒”赛跑中的关键限速环节。如何快速、精准预测未知抗体的中和能力及其作用靶点，在传统的抗体药物研发领域中仍需进一步突破的关键科学问题。

2022年11月7日，复旦大学基础医学院陆路团队联合商汤科技（sensetime）张少霆、张捷等人在 Nature 子刊 Nature Machine Intelligence 上发表了题为：Predicting unseen antibodies' neutralizability via adaptive graph neural networks 的研究论文。

该研究首次提出了一个深度“抗体-抗原”交互算法模型（a deep Ab-Ag interaction algorithm，简称DeepAAI）。DeepAAI有别于经典的序列比对的方法，而是通过深度学习的方法“动态适应性地”学习未知抗体与已知抗体的关系（Adaptive Relation Graph），从而避免了AI算法对于未知抗体冷启动的问题，达到有效地预测未知抗体的中和能力。此外，DeepAAI还具有较好的解释性，能为抗原抗体的结合位点提供线索；分析同一病毒不同变种和亚变种之间的相似关系，为某病毒出现的新亚种推荐可能的中和抗体。

DeepAAI另一个特点是它基于序列数据。虽然真实的三级结构数据能提高AI算法的预测准确性，但是现实世界（real-world）中大量抗体的三级结构是未知的。DeepAAI放弃了先根据序列预测结构，再随后根据预测出的结构再预测抗原抗体相互作用的这种串联AI算法的模式，而是直接基于序列提取足够的有效特征用于预测相互作用。这就避免了“在第1步中的误差在第2步中被累积和指数级放大”的风险。同时，现实世界中大量存在的序列数据也可以增强AI算法的实用性。

为了全面评估DeepAAI的预测能力，该研究以艾滋病病毒（HIV）、新冠病毒（SARS-CoV-2）、流感病毒（infuenza）和登革病毒（dengue）为模型病毒，开展了深入研究。DeepAAI 对这些病毒的抗体的中和能力展示出一定程度的精准预测。

考虑到目前大量SARS-CoV-2变异株的出现，尤其是Omicron亚型，该研究所报道的DeepAAI模型有可能为抗体药物优化，以及广谱抗病毒抗体的研发提供思路。

原始出处：

Zhang， J.， Du， Y.， Zhou， P. et al. Predicting unseen antibodies’ neutralizability via adaptive graph neural networks. Nat Mach Intell (2022). https：//doi.org/10.1038/s42256-022-00553-w.

Tags： Nature Machine Intelligence：陆路团队合作开发基于人工智能技术的抗体研究模型