精选理由
做抗体设计或蛋白质工程的团队，EvoStruct解决了GNN方法词汇坍塌的痛点，序列恢复和多样性双双提升，值得直接参考方法或复现实验。
现有基于等变图神经网络（GNN）的抗体CDR设计方法虽然序列恢复率高，但存在严重的词汇坍塌问题，即过度预测少数氨基酸（如酪氨酸和甘氨酸），忽略功能重要的残基。EvoStruct通过交叉注意力适配器将冻结的蛋白质语言模型（PLM）与E(3)-等变GNN的3D结构上下文结合，并采用渐进式PLM解冻和R-Drop一致性正则化，专门解决CDR设计的词汇坍塌问题。在CHIMERA-Bench数据集上，EvoStruct相比最佳GNN基线，序列恢复率提升16%，困惑度降低43%，氨基酸多样性恢复提升2.3倍，且与真实结合对相关性最高。该方法为抗体设计提供了更准确、更多样化的序列生成能力。
AI 翻译 · 中文
现有基于等变图神经网络（GNN）的抗体CDR设计方法虽然序列恢复率高，但存在严重的词汇坍塌问题，即过度预测少数氨基酸（如酪氨酸和甘氨酸），忽略功能重要的残基。EvoStruct通过交叉注意力适配器将冻结的蛋白质语言模型（PLM）与E(3)-等变GNN的3D结构上下文结合，并采用渐进式PLM解冻和R-Drop一致性正则化，专门解决CDR设计的词汇坍塌问题。在CHIMERA-Bench数据集上，EvoStruct相比最佳GNN基线，序列恢复率提升16%，困惑度降低43%，氨基酸多样性恢复提升2.3倍，且与真实结合对相关性最高。该方法为抗体设计提供了更准确、更多样化的序列生成能力。
Equivariant graph neural network (GNN) methods for antibody complementarity-determining region (CDR) design achieve the highest sequence recovery but suffer from severe vocabulary collapse. The current best GNN methods o…