在人類與病毒性病原體的博弈中，發現強有力的中和抗體(neutralizing antibody，nab)應用於治療是重要“武器”之一。在天然抗體或人工設計抗體中，作用機製和中和能力的研究過程，往往需要耗費大量的實驗來檢測和探究，同時也是“人與病毒”賽跑中的關鍵限速環節。如何快速、精準預測未知抗體的中和能力及其作用靶點，在傳統的抗體藥物研發領域中仍需進一步突破的關鍵科學問題。

2022年11月7日，複旦大學基礎醫學院陸路團隊聯合商湯科技(sensetime)張少霆、張捷等人在 Nature 子刊 Nature Machine Intelligence 上發表了題為：Predicting unseen antibodies' neutralizability via adaptive graph neural networks 的研究論文。

該研究首次提出了一個深度“抗體-抗原”交互算法模型(a deep Ab-Ag interaction algorithm，簡稱DeepAAI)。DeepAAI有別於經典的序列比對的方法，而是通過深度學習的方法“動態適應性地”學習未知抗體與已知抗體的關係(Adaptive Relation Graph)，從而避免了AI算法對於未知抗體冷啟動的問題，達到有效地預測未知抗體的中和能力。此外，DeepAAI還具有較好的解釋性，能為抗原抗體的結合位點提供線索;分析同一病毒不同變種和亞變種之間的相似關係，為某病毒出現的新亞種推薦可能的中和抗體。

DeepAAI另一個特點是它基於序列數據。雖然真實的三級結構數據能提高AI算法的預測準確性，但是現實世界(real-world)中大量抗體的三級結構是未知的。DeepAAI放棄了先根據序列預測結構，再隨後根據預測出的結構再預測抗原抗體相互作用的這種串聯AI算法的模式，而是直接基於序列提取足夠的有效特征用於預測相互作用。這就避免了“在第1步中的誤差在第2步中被累積和指數級放大”的風險。同時，現實世界中大量存在的序列數據也可以增強AI算法的實用性。

為了全麵評估DeepAAI的預測能力，該研究以艾滋病病毒(HIV)、新冠病毒(SARS-CoV-2)、流感病毒(infuenza)和登革病毒(dengue)為模型病毒，開展了深入研究。DeepAAI 對這些病毒的抗體的中和能力展示出一定程度的精準預測。

考慮到目前大量SARS-CoV-2變異株的出現，尤其是Omicron亞型，該研究所報道的DeepAAI模型有可能為抗體藥物優化，以及廣譜抗病毒抗體的研發提供思路。

原始出處：

Zhang， J.， Du， Y.， Zhou， P. et al. Predicting unseen antibodies’ neutralizability via adaptive graph neural networks. Nat Mach Intell (2022). https：//doi.org/10.1038/s42256-022-00553-w.