正在人類取病毒性病原體的博弈中，發覺強有力的中和抗體（neutralizing antibody，nab）應用于醫治是主要“兵器”之一。正在自然抗體或人工設計抗體中，作用機制和中和本領的研討歷程，常常須要泯滅大批的實驗來檢驗和探討，與此同時也是“人取病毒”賽跑中的環節限速環節。若何快速、精準猜測未知抗體的中和本領及其作用靶點，正在傳統的抗體藥物研發領域中仍需進一步打破的環節科學題目。
2022年11月7日，復旦大學根蒂根基醫學院陸路團隊團結商湯高新科技（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，反而是根據深度進修的要領“靜態順應性地”進修未知抗體取已知抗體的干系（Adaptive Relation Graph），進而避免了AI算法關于未知抗體冷啟動的題目，到達有效地展望未知抗體的中和本領。另外，DeepAAI還具有較好的解釋性，能為抗原抗體的融合位點提供線索；剖析統一病毒不一樣變種和亞變種之間的類似干系，為某病毒涌現的新亞種引薦也許的中和抗體。
DeepAAI另一個特點是它基于序列數據。雖然實在的三級構造數據能進步AI算法的猜測準確性，可是實際天下（real-world）中大批抗體的三級構造是未知的。DeepAAI廢棄了先按照序列猜測構造，再隨后按照猜測出的構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步中被積累和指數級放大”的風險。與此同時，實際天下中大批存正在的序列數據還能夠加強AI算法的實用性。
為了全面評價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猜測。
考慮現階段大批SARS-CoV-2變異株的呈現，尤其是Omicron亞型，該研究所報導的DeepAAI模子有可能為抗體藥物優化，和廣譜抗病毒抗體的研發供應思緒。