SMFF:基于结构的多模态抗原抗体结合亲和力预测方法OA

目前抗原⁃抗体结合亲和力预测的人工智能方法都基于序列或结构的单一建模,难以捕获更全面的信息.因此,提出了一种基于结构的多模态特征融合方法.该方法主要包括三个模块:多模态抗体信息挖掘模块、多模态抗原信息挖掘模块和融合预测模块.在多模态抗体信息挖掘模块中,引入Roformer网络分别提取抗体的重链和轻链信息,同时采用GearNet挖掘抗体的结构信息.随后,借助交叉力注意机制自适应地融合序列和结构信息.在多模态抗原信息挖掘模块中,使用蛋白质大语言模型ESM2(Evolutionary Scale Modeling v2)来实现抗原序列信息的抽取.在融合预测模块中,为了实现全面且高效的亲和力预测协同,基于卷积神经网络(Convolutional Neural Networks,CNN)构建了一个多尺度特征协同提取网络,进一步提升抗体和抗原表示的可判别性.最后,将多尺度的抗体和抗原表示输入融合层,生成稳健的亲和力预测结果.实验结果表明,提出的模型在基准数据集上的表现超越了所有的基线模型,并在独立测试集上表现优异,证明该方法具有强大的预测与泛化能力.