AbEpiTope-1.0：基于AlphaFold和逆向折叠的抗体靶点预测新工具提升B细胞表位预测精度

时间：2025年6月15日

来源：SCIENCE ADVANCES

编辑推荐：

本研究针对B细胞表位预测工具在抗体特异性识别中的瓶颈问题，开发了AbEpiTope-1.0计算平台。研究团队整合AlphaFold-2.3多聚体结构建模与逆向折叠（inverse folding）技术，在1730个抗体-抗原复合体数据集上实现了61.21%的靶标识别准确率，较传统方法显著提升。该工具可快速筛选特异性抗体，为疫苗设计和免疫治疗提供新策略。

在免疫学研究领域，准确预测抗体结合的靶标表位犹如寻找免疫系统的"钥匙孔"。B细胞通过其表面受体(BCR)识别特定抗原，这种高度特异的相互作用涉及抗原表位(epitope)和抗体互补位(paratope)的精确匹配。尽管现有工具如BepiPred和DiscoTope能预测通用表位，但针对特定抗体的表位预测仍面临巨大挑战——抗体互补决定区(CDR)的惊人多样性源自V(D)J重组，其结构灵活性使得传统建模方法举步维艰。

更棘手的是，实验方法如X射线晶体学和冷冻电镜虽能精确解析抗体-抗原(AbAg)互作，但耗时费力且受限于样品制备。虽然AlphaFold革命性地改变了蛋白质结构预测领域，但其在AbAg复合体预测中的表现仍不尽如人意。这促使丹麦技术大学的研究团队开展突破性研究，其成果以《AbEpiTope-1.0: Improved antibody target prediction by use of AlphaFold and inverse folding》为题发表于《SCIENCE ADVANCES》。

研究团队采用多管齐下的技术路线：首先构建包含1730个AbAg复合体的基准数据集，通过AlphaFold-2.3多聚体生成51,900个预测结构；开发AbAgIoU新指标量化预测准确性；利用逆向折叠模型ESMIF1和AntiFold提取结构特征；采用嵌套交叉验证训练深度学习模型。特别设计了"抗体置换"实验，将正确抗体与随机抗体进行对比建模。

AbEpiScore-1.0：提升AbAg界面精度预测
研究团队发现AlphaFold原生评分(0.8 ipTM + 0.2 pTM)与真实界面匹配度(AbAgIoU)的相关系数仅0.5602。通过整合逆向折叠模型ESMIF1的结构编码，开发的AbEpiScore-1.0将相关系数提升至0.8036，在识别高质量结构(DockQ≥0.8)时AUC达0.843。如图2所示，该模型能准确区分胰岛素样生长因子2抗体(PDB:3KR3)的正确构象。

AbEpiTarget-1.0：抗体敏感的靶标预测
通过构建"真实vs置换"抗体组(每组含1个真实和3个随机抗体)，研究发现置换抗体的预测表位与实际表位相关性显著降低(PCC从0.601降至-0.079)。基于此开发的AbEpiTarget-1.0分类器，在识别真实抗体-抗原对的准确率达61.21%，远超AlphaFold-2.3的42.08%。值得注意的是，该模型对大型抗原(1000-1500残基)的预测稳定性显著优于基准方法。

后AlphaFold时代数据验证
针对AlphaFold训练截止日(2021年9月30日)后发布的109个新型AbAg复合体，AbEpiTarget-1.0仍保持55.96%的准确率，且在11%的高置信度预测中实现近乎完美的准确性。这表明该方法对未知抗体靶标具有良好泛化能力。

这项研究实现了三大突破：首先开发了首个能区分真实与随机抗体的计算工具；其次证明结构预测准确性可转化为抗体特异性识别能力；最后建立的AbEpiTope-1.0网络服务器(https://services.healthtech.dtu.dk/services/AbEpiTope-1.0/)使该技术可被广泛采用。该成果不仅为疫苗设计提供新工具，更为理解自身免疫疾病、肿瘤免疫治疗等领域的抗体特异性反应机制开辟了新途径。随着AlphaFold-3等新一代模型的问世，这种结合深度学习和结构生物学的方法将展现更大潜力。