Sci. Adv. | AbEpiTope-1.0：结合AlphaFold与反向折叠提升抗体靶点预测精度

抗体药物的功能依赖于其识别抗原表位的能力。传统表位预测软件在面对天然结构未知或无抗体共晶结构的新抗原时，表现仍不理想。

为此，研究人员开发了AbEpiTope-1.0，一种新颖的结构驱动表位预测方法，结合了AlphaFold预测结构与反向折叠筛选技术。在验证中，该方法在16种蛋白抗原上实现了前所未有的预测性能，平均ROC AUC为0.82，显著优于现有基准工具，且在与疫苗开发、免疫治疗等相关的真实应用场景中表现稳定。

AbEpiTope-1.0 仅需抗体序列和抗原结构（无需共晶结构）即可运行，适用于当前主流的抗体设计流程，可广泛部署于新型病原识别、肿瘤靶向、抗体工程优化等任务中。

抗体作为治疗性药物的核心工具，其特异性和亲和力主要由其结合抗原的“表位”所决定。因此，准确预测抗体识别的抗原表位，是疫苗设计、抗体药物开发与免疫应答机制研究中的关键任务。

然而，当前大多数表位预测工具依赖于已解析的抗原–抗体共晶结构。这些方法在结构已知的条件下表现良好，但在真实应用中，往往面临如下挑战：

• 缺乏抗体–抗原复合物结构信息：多数新抗原尚无高分辨率共晶结构，尤其是新兴病原体或患者来源抗体。
• 抗体序列多变：工程化抗体的设计使其CDR区（互补决定区）序列高度多样，传统结构比对方法难以泛化。
• 预测抗体特异性需求：许多工具侧重于泛化表位预测，而非具体抗体–抗原对之间的个性化识别。

为解决这些限制，研究人员提出一种新策略：结合结构预测与反向折叠（inverse folding）思想，从抗体序列反推出其最有可能结合的抗原表面区域。这一思路受益于以下进展：

• AlphaFold2 的广泛成功：高精度蛋白结构预测使得即便缺乏晶体结构，也可获取抗原合理三维模型。
• 反向折叠策略的发展：将已知结构与目标序列映射，用于探测潜在结合热点，已在小分子对接与蛋白设计领域获得初步验证。

在此基础上，研究人员开发了 AbEpiTope-1.0，其核心思想如下：

• 通过 AlphaFold 预测抗体结构；
• 将其与抗原结构配对，构建可能的相互作用界面；
• 应用反向折叠网络对抗原表面片段进行筛选；
• 输出每个抗原残基作为表位的概率。

研究人员系统评估了该方法在不同数据集（包括实验测定数据与多种抗体类别）上的性能，发现其不仅在准确性上超过当前所有公开方法，还能处理大规模新抗体筛选任务，具有良好的扩展性与工程实用性。

结果

AbEpiScore-1.0：提升抗体-抗原界面结构准确性的预测

研究人员的首要目标是开发一种评估预测AbAg结构中抗体-抗原界面准确性的方法。为此，研究人员使用 AlphaFold-2.3 多聚体模型对 1730 个抗体-抗原复合物生成每个抗体-抗原对的 30 个结构，总计 51,900 个结构，并分别评估以下模型的表现：

• AlphaFold-2.3 的置信评分（加权 ipTM 与 pTM）
• 反向折叠模型：GVP-Transformer、ESMIF1 和 AntiFold

其中，反向折叠任务的目标是根据三维结构预测最兼容的氨基酸序列，而上述模型能够输出残基级别的结合可能性或编码信息。

为了评估预测结构与真实晶体结构的吻合程度，研究人员采用了 AbAgIoU（抗体-抗原交并比）作为度量指标。研究结果表明：

• ESMIF1 模型与 AbAgIoU 之间的皮尔逊相关系数为 0.66，优于其他模型；
• AlphaFold-2.3 的 ipTM+pTM 加权评分的相关性为 0.56，AntiFold 为 0.51；
• 在二维六边形热图中，高分数结构与高AbAgIoU主要集中于图右上角，显示出显著正相关趋势。

此外，研究人员构建了 AbEpiScore-1.0：一种在 ESMIF1 基础上微调而来的模型，用于预测AbAg界面准确性。该模型在所有评估中均优于AlphaFold的置信评分，显示出更高的预测一致性与界面识别能力。

AbEpiTarget-1.0：高抗体敏感性的靶点识别评分模型

在前述评估中，研究人员注意到：若一个结构使用了正确的抗体（true AbAg），其AbAg界面评分显著高于那些使用错误抗体（swapped AbAg）的结构。这表明模型评分对抗体选择具备高度敏感性。

基于这一观察，研究人员开发了 AbEpiTarget-1.0，用于评估某个抗原是否与给定抗体成对构建了真实AbAg复合物。其核心优势体现在以下几点：

• 在 1730 个AbAg复合物中，将每个抗体–抗原对与三个随机“互换抗体”组合生成的AbAg进行比较；
• AbEpiTarget-1.0 能以 61.21% 的准确率将真实AbAg排名第一，远超 AlphaFold-2.3 的 42.08%；
• 在结构更加困难的测试集（包括 AlphaFold-2.3 训练截止日期之后的抗体目标）中，AbEpiTarget-1.0 的排名仍明显优于AlphaFold。

此外，研究人员引入“true rank score”（真实排名得分）作为评价指标。结果显示，在评分最高的前18%的抗原组中，AbEpiTarget-1.0 能稳定将真实AbAg评分维持在 ≥0.95 的高水平，而AlphaFold仅维持至4%~18%的组别。

AbEpiTope 在未见目标（新抗原）上的结构泛化能力

为了检验 AbEpiTope-1.0 是否具备对 AlphaFold2 训练数据之后的新抗原目标的预测能力，研究人员使用了 20 个在2021年 AlphaFold2 发布之后才发布结构的抗原–抗体复合物作为独立评估集。

研究人员对每个抗原构建了多个抗体配对模型（包括真实抗体和随机对照抗体），并使用 AbEpiTarget-1.0 与 AlphaFold-2.3 对这些结构进行评分。

结果发现：

• AbEpiTarget-1.0 能在 16/20 个目标中准确识别真实抗体；
• AlphaFold-2.3 仅在 10/20 个目标中完成正确排序；
• 在“真实抗体得分高于所有随机抗体”的判别性能力上，AbEpiTarget 显著优于 AlphaFold。

进一步分析显示，AbEpiTarget-1.0 对结构质量变化的鲁棒性更强，尤其在 AlphaFold 对某些新抗原预测结构存在偏差时，AbEpiTope 仍能精准识别潜在表位区域。

这一部分结果证明：AbEpiTope-1.0 具有良好的泛化能力，可拓展至尚无实验结构的新型抗原上进行表位预测与抗体筛选。

抗体特异性建模与识别能力验证

AbEpiTope 的另一大亮点在于其对抗体特异性的识别能力，即：模型是否能够分辨“不同抗体是否识别相同表位区域”。

为验证这一点，研究人员对若干具有“抗原复用”情况的抗体（即多个不同抗体识别同一抗原）进行交叉测试。结果显示：

• AbEpiTope 能准确捕捉抗体在结构层面的识别差异；
• 在结构构象相似但识别位点略有不同的抗体组合中，AbEpiTarget 仍可对真实配对赋予显著更高评分；
• 说明该模型并非简单识别表面形状或亲和力评分，而是能学习到抗体–抗原识别的结构特异性编码。

这为未来开展抗体交叉反应性预测、抗体优化设计等任务提供了坚实基础。

整理 | WJM

参考资料

Joakim Nøddeskov Clifford et al. ,AbEpiTope-1.0: Improved antibody target prediction by use of AlphaFold and inverse folding.Sci. Adv.11,eadu1823(2025).DOI:10.1126/sciadv.adu1823