AbNovoICLR2025首发，多目标抗体设计新突破

上海交大医学院张海仓课题组在国际顶级机器学习会议ICLR 2025上发表论文，推出创新抗体设计工具AbNovo。AbNovo巧妙融合强化学习和深度扩散模型，突破传统抗体设计效率低下的瓶颈，实现多目标、多约束条件下的高效抗体从头设计。该工具通过“带约束偏好优化”技术，在满足生物物理约束的同时，最大化抗体结合亲和力等目标特性，性能优于现有方法，未来有望广泛应用于药物研发。

上海交大医学院张海仓课题组联合中原人工智能产业技术研究院及中科院计算所，研发出一款名为AbNovo的创新抗体设计工具。该工具巧妙地结合强化学习和深度扩散模型，能够在多重目标和约束条件下，高效完成抗体从头设计。这项研究成果已发表于国际顶级机器学习会议ICLR 2025，论文标题为“Multi-objective antibody design with constrained preference optimization”。

研究背景：突破传统抗体设计瓶颈

抗体在疾病治疗中扮演着关键角色，但传统抗体设计方法效率低，难以同时满足多种理想特性（如高亲和力、稳定性、特异性等）。AbNovo应运而生，旨在解决这一难题。

论文链接：https://openreview.net/forum?id=4ktJJBvvUd

AbNovo的核心创新：约束偏好优化

AbNovo的核心在于首次将“带约束偏好优化”技术应用于基于扩散模型的抗体设计。它通过两阶段流程实现多目标、多约束的抗体设计：

• 阶段一：基础模型构建: 利用多模态扩散模型，联合设计抗体序列和结构，建立抗体-抗原条件生成模型。
• 阶段二：约束偏好优化: 对阶段一模型进行微调，在满足生物物理约束的同时，最大化目标特性（如结合亲和力）。此阶段迭代更新模型，提高效率和约束满足率。

图 1：AbNovo工作流程

此外，AbNovo训练了一个大规模结构感知蛋白质语言模型，缓解了抗体-抗原训练数据不足的问题。

图 2：约束偏好优化算法

性能评估：优于现有方法

AbNovo在多个指标上均优于现有抗体设计模型（如DiffAb、dyMEAN、GeoAb和AbX），有效性得到了验证。

图 3：独立指标评估

图 4：基于参考指标评估

图 5：案例研究

未来展望：广泛应用前景

AbNovo的框架具有良好的扩展性，未来可应用于多肽、小蛋白配体和小分子药物设计等领域，有望显著提升药物研发效率。 张海仓课题组也正在积极招募相关人才。 联系邮箱：zhanghaicang@sjtu.edu.cn

今天关于《AbNovoICLR2025首发，多目标抗体设计新突破》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于强化学习,AbNovo,抗体设计,深度扩散模型,约束偏好优化的内容请关注golang学习网公众号！