AAMFM：用于功能性抗体设计的抗原特异性抗体多模态基础模型

研究人员在arXiv上发表了一项名为AAMFM的抗原特异性抗体多模态基础模型。该模型通过跨模态适配器整合抗原的几何界面和表位注释，学习抗体序列和结构的统一表示，并采用Cal-DPO（校准直接偏好优化）进行微调，以优化与结合特异性相关的目标。实验结果表明，在功能性抗体设计任务中，AAMFM达到了当前最佳性能。代码已在GitHub开源。

此前单链蛋白语言模型无法有效处理抗体与抗原之间的配对关系，尤其在表位层面。AAMFM通过显式引入抗原上下文信息（几何界面和表位注释）并联合建模，首次在抗原特异性抗体设计领域实现了多模态基础模型，显著提升了功能性设计能力。

模型通过跨模态适配器将抗原的几何界面和表位特征注入抗体序列与结构的联合表示空间，实现抗体-抗原交互的显式建模。Cal-DPO利用强结构先验提取偏好信号，引导模型学习与结合能力直接相关的功能目标，从而优化抗体设计。

该模型可直接应用于抗体工程中的功能性抗体设计，例如生成针对特定抗原的候选抗体序列和结构。它有望缩短抗体筛选周期，降低实验成本，并提高设计命中率，对药物研发和诊断试剂的开发具有直接推动作用。

• 基于AAMFM开发抗体设计API服务，供生物技术公司预测抗体-抗原结合亲和力。
• 将模型集成到抗体发现平台，自动化进行表位预测和候选抗体生成。
• 利用AAMFM优化现有抗体候选物，提升其特异性与稳定性。
• 开发面向罕见抗原或新抗原的快速抗体设计工具包。

• 该模型在实际湿实验验证中的成功率与泛化能力尚不明确。
• 与其他抗体设计方法（如基于扩散模型）的全面对比结果未在证据中展示。
• 模型权重是否完全开放，以及在不同物种抗体上的迁移性能未知。
• Cal-DPO的偏好信号是否依赖人为定义的结构先验，是否适用于所有抗原类型？