正在人類取病毒性病原體的博弈中，發(fā)覺強(qiáng)有力的中和抗體（neutralizing antibody，nab）應(yīng)用于醫(yī)治是主要“兵器”之一。正在自然抗體或人工設(shè)計(jì)抗體中，作用機(jī)制和中和本領(lǐng)的研討歷程，常常須要泯滅大批的實(shí)驗(yàn)來檢驗(yàn)和探討，與此同時(shí)也是“人取病毒”賽跑中的環(huán)節(jié)限速環(huán)節(jié)。若何快速、精準(zhǔn)猜測未知抗體的中和本領(lǐng)及其作用靶點(diǎn)，正在傳統(tǒng)的抗體藥物研發(fā)領(lǐng)域中仍需進(jìn)一步打破的環(huán)節(jié)科學(xué)題目。
2022年11月7日，復(fù)旦大學(xué)根蒂根基醫(yī)學(xué)院陸路團(tuán)隊(duì)團(tuán)結(jié)商湯高新科技（sensetime）張少霆、張捷等人在Nature子刊Nature Machine Intelligence上宣布了題為：Predicting unseen antibodies'neutralizability via adaptive graph neural networks的研討論文。
該研討初次提出了一個(gè)深度“抗體-抗原”交互算法模子（a deep Ab-Ag interaction algorithm，簡稱DeepAAI）。DeepAAI有別于典范的序列比對的要領(lǐng)，反而是根據(jù)深度進(jìn)修的要領(lǐng)“靜態(tài)順應(yīng)性地”進(jìn)修未知抗體取已知抗體的干系（Adaptive Relation Graph），進(jìn)而避免了AI算法關(guān)于未知抗體冷啟動的題目，到達(dá)有效地展望未知抗體的中和本領(lǐng)。另外，DeepAAI還具有較好的解釋性，能為抗原抗體的融合位點(diǎn)提供線索；剖析統(tǒng)一病毒不一樣變種和亞變種之間的類似干系，為某病毒涌現(xiàn)的新亞種引薦也許的中和抗體。
DeepAAI另一個(gè)特點(diǎn)是它基于序列數(shù)據(jù)。雖然實(shí)在的三級構(gòu)造數(shù)據(jù)能進(jìn)步AI算法的猜測準(zhǔn)確性，可是實(shí)際天下（real-world）中大批抗體的三級構(gòu)造是未知的。DeepAAI廢棄了先按照序列猜測構(gòu)造，再隨后按照猜測出的構(gòu)造再猜測抗原抗體相互作用的這類串連AI算法的形式，反而是直接基于序列提取充足的有用特點(diǎn)適用于猜測相互作用。這就避免了“正在第1步中的偏差正在第2步中被積累和指數(shù)級放大”的風(fēng)險(xiǎn)。與此同時(shí)，實(shí)際天下中大批存正在的序列數(shù)據(jù)還能夠加強(qiáng)AI算法的實(shí)用性。
為了全面評價(jià)DeepAAI的猜測才能，該研討以艾滋病病毒（HIV）、新冠病毒（SARS-CoV-2）、流感病毒（infuenza）和登革病毒（dengue）為模子病毒，展開了深入研討。DeepAAI對這一些病毒的抗體的中和才能展示出必定水平的精準(zhǔn)猜測。
考慮現(xiàn)階段大批SARS-CoV-2變異株的呈現(xiàn)，尤其是Omicron亞型，該研究所報(bào)導(dǎo)的DeepAAI模子有可能為抗體藥物優(yōu)化，和廣譜抗病毒抗體的研發(fā)供應(yīng)思緒。