学术研究 / 博客
Advancing AI for biology: Teaching models to design and characterize antibodies
- 模型
- MochiBind、CA-MAP
- 发布方
- Amazon Bio Discovery
- 发表期刊
- iScience、npj Systems Biology and Applications
- 评测数据集
- AlphaBind，4 个抗原系统各约 3 万变体
- CA-MAP 训练数据
- 876,898 条抗体 heavy chain，6 项性质
- 发布日期
- 2026-09-21
| 对比项 | 之前 / 基线 | 现在 / 本方案 | |
|---|---|---|---|
| 模型输入 | 依赖抗体-抗原复合物结构 | 仅序列，用 ESM-2 嵌入MochiBind | |
| 预测目标 | 绝对结合亲和力数值 | 同抗原下两两相对强弱相对序对跨实验更稳 | |
| 批次效应下表现 | 标准微调 Spearman 0.58 | 上下文感知模型 0.990–0.3 模拟加性批次偏移 | |
| 评测方式 | 分布内测试集，少含非结合体 | 四抗原轮转留出 + top-K 检索严格跨抗原 |
方法、结果与局限
1 / 6
要点
发布了什么
Amazon Bio Discovery 一次发布三篇论文：两篇期刊论文做预测，一篇把预测接入端到端设计流程。
- Amazon Bio Discovery 一次发布三篇论文：两篇期刊论文做预测，一篇把预测接入端到端设计流程。
- MochiBind 论文题为 A systematic evaluation framework for universal antibody-antigen binding affinity prediction and candidate recommendation，登于 iScience。
- CA-MAP 论文题为 Context-aware multi-property antibody predictor，登于 npj Systems Biology and Applications。
- 第三篇由 agent 完成结合位点选择，并给出针对新癌症靶点、经实验验证的 antibody hits。