近期，维亚生物MARS算法团队在生物信息学权威期刊Bioinformatics上发表题为 "PatchEpi: Patch-Aware Equivariant Learning Improves Structure-Based Epitope Prediction"的研究成果。文章由维亚生物上海副总裁兼MARS事业部负责人钱玥博士担任通讯作者（MARS即Multi-Modality AI-Rooted Solutions），MARS事业部AI算法研究员文思成与李飞博士为共同第一作者。
B细胞表位是抗体识别抗原并形成特异性结合的关键区域，其准确预测对于抗体发现、设计以及抗原结构与功能研究具有重要意义。但是约90%的表位属于"构象型表位"，这些残基在蛋白质一级序列上相互分离，却在三维空间中彼此紧邻。传统的预测模型往往过分依赖单一残基的分类，忽视了表位的空间聚集特征，导致预测结果碎片化，难以准确捕捉抗体结合的真实物理环境。
技术突破：超越逐点分类，重塑抗原三维表面理解
为了攻克这一难题，PatchEpi将注意力从孤立的氨基酸转向了"表位聚集特征"。该模型整合了先进的ESM2蛋白质语言模型序列信息与三维结构信息，利用图自动编码器（Graph Autoencoder）和等变图神经网络（EGNN）来进行抗原表面的局部结合域（Patches）。这种"Patch-aware"的学习方式使模型能够理解表位的空间连续性与几何特征，有效防止了预测区域的碎片化。
在权威的Epitope3D测试集上，PatchEpi的表现显著优于现有主流方法。测试数据显示，PatchEpi在马修斯相关系数（MCC）、精度-召回曲线下面积（AUPRC）以及曲线下面积（AUC）等多个核心评估指标上均取得了更优表现，证明了其在处理复杂空间表位时的卓越鲁棒性。
(PatchEpi与主流模型预测结果对比图)
消融实验进一步表明，PatchEpi的性能提升主要得益于序列表征、三维几何信息与表面结合域之间的协同。加入三维结构信息后，模型性能明显提升；进一步引入patch-aware设计后，预测结果得到持续改善，说明对表位空间的显式建模是模型性能提升的重要因素。
（PatchEpi不同模型设计与训练策略的消融实验）
深度解析：精准捕捉表位，揭示潜在生物学交互新线索
为了验证PatchEpi在真实抗原表面的学习效果，研究团队进行了深入的结构分析。以靶点KIT蛋白 (PDBID:2EC8)为例，模型不仅精准捕捉到了真实的抗体结合区域，还预测出了另一个表面结合域。尽管在单一抗体标准下它可能被视为“假阳性”，但分析表明该区域完美对应了靶点上已知的蛋白-蛋白相互作用（PPI）界面。
（PatchEpi在2EC8上的表位预测结果及结构解释）
此外，在针对IL-13等多表位抗原及其游离态（apo）结构的测试中，PatchEpi同样成功识别了多个独立且真实的候选结合表位。这表明，PatchEpi不仅能精准定位表位，更能敏锐地识别出具有连续几何与理化特征的潜在生物学活性界面，为抗体筛选和功能分析提供了突破性的结构线索。
生态赋能：深度嵌入ab2MARS抗体平台，打造药物研发闭环
PatchEpi的核心价值不仅在于算法的领先，更在于其对药物研发决策的实际支持。它回答了研发过程中最关键的问题："抗原表面的哪些区域最值得优先探索？"在面对复杂或巨大的蛋白靶点时，PatchEpi能够精准锁定候选表位区域，从而显著减少实验筛选和验证所需的资源。
目前，PatchEpi作为关键决策模块ab2MARS的重要组件，已无缝集成至维亚生物的MARS平台中。ab2MARS是维亚生物MARS平台的核心系统，专注于抗体药物的发现与设计，将前沿AI算法与深厚的结构生物学积累深度融合。其功能覆盖抗体发现全生命周期，不仅包含“表位引导的抗体从头设计”等高效大分子生成工作流，更具备多维度的亲和力、选择性及成药性评估与优化，同时涵盖双抗/ADC等多模态分子工程功能。这不仅大幅缩短了从靶点确证到先导抗体锁定的周期，更与实验验证紧密衔接，打通了创新抗体药物发现的研发闭环。
依托ab2MARS强大的架构，PatchEpi所精准识别的表位信息能够直接驱动平台中“表位引导的抗体从头设计”核心工作流。在实际工业化应用中，PatchEpi与ab2MARS的下游模块及干湿实验技术深度耦合，构建了完整的“计算-实验”协同体系。
这一体系打通了从靶点结构获取、抗原表面分析、候选表位识别，到抗体生成与筛选、复合物建模，再到最终实验验证及结构解析的全流程。通过这种闭环研发模式，不但提升了AI预测的可靠性，更通过真实实验数据的循环反馈，不断迭代优化分子设计。PatchEpi与ab2MARS的结合，正将充满不确定性的早期研发链条，转化为高效、稳定且可规模化复制的核心交付引擎。
如需了解更多论文内容，请查看：
Sicheng Wen, Fei Li, Yue Qian, PatchEpi: Patch-Aware Equivariant Learning Improves Structure-Based Epitope Prediction, Bioinformatics, 2026;, btag678, https://doi.org/10.1093/bioinformatics/btag678
Copyright © 维亚生物 All Rights Reserved. 沪ICP备19036061号