ウイルス抗原へのナノボディ結合予測でAlphaFold3がBoltz-2とChai-1を上回り、予測を信頼するための実践的指針も提示
- AlphaFold3の学習カットオフ以降に登録されたウイルス抗原-ナノボディ複合体を用い、3種のコフォールディングモデル(AlphaFold3、Boltz-2、Chai-1)を比較した。
- AlphaFold3が最も良好で、標的あたりのシード数を増やすほど正しいエピトープ予測の割合は着実に上昇した。
- 界面とCDR3ループの信頼度指標を組み合わせた閾値により誤ったモデルの大半を除外でき、標的によっては抗原の多量体状態やグリコシル化も重要となる。
- 中和ナノボディのランク付けやアルファウイルス間の広域中和エピトープのマッピングに後ろ向きに適用したもので、新たな実験は行っていない。
💡 ポイント アブストラクトに基づく見解
学習カットオフ後の構造で検証した点は妥当だが、閾値は同じ後ろ向きデータ上で調整・適用されており、自分の標的では緩む可能性が高い。シード数を増やすと、誤ったポーズまで一貫して出てきてしまわないか、という点も気になる。ランク付けが本物かは、2~3本のナノボディでのエピトープビニングか変異導入実験で確かめるべきだ。
Benchmarking Machine Learning Models for Viral Nanobody Epitope Prediction ↗