在预测纳米抗体如何结合病毒抗原上,AlphaFold3优于Boltz-2和Chai-1,并给出判断预测可信度的实用规则
- 利用AlphaFold3训练截止日期之后收录的病毒抗原-纳米抗体复合物,比较了三种共折叠模型(AlphaFold3、Boltz-2、Chai-1)。
- AlphaFold3表现最佳,且每个靶标采样的随机种子越多,正确表位预测的比例持续提高。
- 结合界面与CDR3环置信度指标的阈值可剔除大部分错误模型,对部分靶标而言,抗原的多聚体状态和糖基化也至关重要。
- 该方法被回顾性地用于中和纳米抗体排序及跨甲病毒的广谱中和表位定位,未开展新的实验验证。
💡 要点 基于摘要的观点
用训练截止后的结构做测试是对的,但阈值是在同一批回顾性数据上调定并应用的,换到你的靶标上很可能会放宽。另外值得留意:增加种子数后,错误构象是否也会变得更一致。排序是否可靠,最好用两三个纳米抗体做表位分箱或突变实验来验证。
Benchmarking Machine Learning Models for Viral Nanobody Epitope Prediction ↗