抗体–抗原亲和力（Antibody–Antigen Affinity） 是衡量免疫识别强度与 therapeutic 候选分子质量的核心指标。结合的热力学与动力学基础、各结构域在互作中的分工，见前置 抗体-03.互作-01.抗体抗原互作原理介绍；影响亲和力的环境与分子因素见 抗体-03.互作-02.影响亲和力的因素。湿实验（表面等离子体共振，Surface Plasmon Resonance，SPR；生物膜层干涉，Biolayer Interferometry，BLI 等）仍是金标准，但通量与成本限制了早期筛选规模；计算机辅助（in silico） 预测因此成为抗体发现、亲和力成熟（affinity maturation） 与逃逸突变分析的重要补充。本文按「测什么 → 用什么数据评 → 工具怎么分 → 各工具细节 → 怎么选」组织，覆盖 2024–2025 年主流方法与 benchmark 结论。
段末注释：亲和力 通常以平衡解离常数 (K_{\mathrm{D}}) 表征，数值越小结合越强；ΔΔG 指突变引起的结合自由能变化，用于比较同一复合物 wild-type 与 mutant 的相对稳定性。
1. 亲和力指标与预测任务类型
1.1 实验可测物理量
| 指标 | 含义 | 关系 |
|---|---|---|
| (k_{\mathrm{on}}) | 结合速率常数 | 复合物形成快慢 |
| (k_{\mathrm{off}}) | 解离速率常数 | 复合物稳定性 |
| (K_{\mathrm{D}}) | 平衡解离常数 | (K_{\mathrm{D}} = k_{\mathrm{off}} / k_{\mathrm{on}}) |
| (\Delta G_{\mathrm{bind}}) | 结合自由能 | (\Delta G_{\mathrm{bind}} \approx RT \ln K_{\mathrm{D}}) |
| (\Delta\Delta G_{\mathrm{bind}}) | 突变致结合能变化 | 亲和力成熟/逃逸分析的主标签 |
除 (K_{\mathrm{D}}) 外，半数抑制浓度（Half Maximal Inhibitory Concentration，(IC_{50})）、酶联免疫吸附测定（Enzyme-Linked Immunosorbent Assay，ELISA） 的 (EC_{50})、逃逸分数（escape fraction，(f)） 等也常被用作亲和力代理指标；跨平台、跨批次的数值不可直接混作回归标签——这也是近年 benchmark 转向排序（ranking） 而非绝对值回归的重要原因之一。(EC_{50}) 与 (K_{\mathrm{D}}) 的测定、换算与报告规范见 抗体-02.指标-02.EC50与KD的测定与换算；指标总览见 抗体-02.指标-01。
段末注释：(EC_{50}) 为半数有效浓度，在 ELISA 等终点实验中常用；与 (K_{\mathrm{D}}) 相关但受 avidity、包被方式等影响，不宜与 SPR 的 (K_{\mathrm{D}}) 简单等同。
1.2 计算预测的三类任务
- 绝对亲和力预测：由序列/结构直接估计 (K_{\mathrm{D}}) 或 (\Delta G_{\mathrm{bind}})（如 ANTIPASTI）。
- 突变效应预测（ΔΔG）：给定 wild-type 复合物结构与突变位点，预测 (\Delta\Delta G_{\mathrm{bind}})（如 FoldX、GearBind、AttABseq）。
- 相对排序/分类：判断 A 是否比 B 结合更强，或是否属于 binder/non-binder（如 AbRank、AbAgIntPre、LlamaAffinity）。
Therapeutic 早期筛选往往只需「谁更好」，排序任务与实验噪声更匹配；lead 优化阶段则更依赖 ΔΔG 的定量或半定量估计。
2. 实验评估方法与基准数据集
2.1 湿实验平台对比
| 平台 | 原理 | 输出 | 优势 | 局限 |
|---|---|---|---|---|
| SPR | 折射率变化，实时传感 | (k_{\mathrm{on}})、(k_{\mathrm{off}})、(K_{\mathrm{D}}) | 动力学分辨率高；抗体工业界事实标准 | 需固定化策略优化；大分子/复杂基质可能受限 |
| BLI | 光纤探针干涉 | 同上 | dip-and-read，对流体/杂质更宽容；适合高通量初筛 | 分辨率通常略低于 SPR；表位分 binning 分辨率有限 |
| ELISA | 酶促显色终点 | (EC_{50})/相对结合 | 成本低、通量高 | 非 label-free；难获可靠 (k_{\mathrm{on}}/k_{\mathrm{off}}) |
| 等温滴定量热法（Isothermal Titration Calorimetry，ITC） | 热量变化 | (\Delta H)、(K_{\mathrm{D}}) | 热力学信息完整 | 耗样大、通量低 |
建议：计算模型训练/验证应尽可能对齐实验条件（温度、pH、抗体格式、抗原构象）；混用 SPR (K_{\mathrm{D}}) 与 ELISA (EC_{50}) 作单一回归目标会显著抬高标签噪声。
段末注释：表位分 binning（epitope binning） 指区分不同抗体是否竞争同一抗原表位，BLI/SPR 均可实现，与亲和力测定互补。
2.2 常用公开基准
| 数据集 | 规模/特点 | 主要用途 |
|---|---|---|
| SKEMPI 2.0 | ~7085 条突变，含动力学/热力学子集 | 通用 PPI ΔΔG benchmark |
| AB-Bind | 1101 条抗体–抗原突变（32 复合物） | 抗体专用 ΔΔG；实验条件较一致 |
| S1131 / AB645 / AB1101 | 自 SKEMPI/AB-Bind 去冗余子集 | 单点/多点突变方法对比 |
| AbRank | >38 万条测定，9 源聚合 | 跨抗体/抗原泛化的配对排序 benchmark |
| SAbDab | 结构抗体库 | 结构预测与训练数据来源 |
评估划分策略 比数据集本身更关键：按突变划分（split-by-mutation） 易高估泛化（同复合物/同位点泄漏）；按复合物划分（split-by-complex） 更接近真实抗体工程场景。GearBind、Graphinity 等近年工作均强调后者。
3. 工具分类总览
1 | ┌─ 物理/统计能量函数 ─ FoldX, Flex ddG, BeAtMuSiC, SSIPe, PBEE |
下文按方法族展开；文末给出选型矩阵。
4. 物理与统计能量函数类
4.1 FoldX
| 维度 | 内容 |
|---|---|
| 原理 | 基于经验力场与物理方程估计突变对折叠/结合自由能的影响；对界面原子进行能量分解（van der Waals、氢键、静电、溶剂化等）。 |
| 输入 | 复合物三维结构（PDB）；指定突变。 |
| 输出 | (\Delta\Delta G_{\mathrm{bind}})（kcal/mol 量级）。 |
| 优势 | 无需训练数据；对 crystal structure 上单点突变有一定区分力（AB-Bind 上 Pearson (r \approx 0.34)）；GearBind 集成实验表明 FoldX 与 DL 模型互补，ensemble 可提升 Spearman 相关。 |
| 局限 | 绝对定量误差大；对预测结构（AlphaFold2/ESMFold）敏感，相关可降至 (r \approx 0.04)–0.14；难刻画大侧链替换、多位点 epistasis。 |
| 适用场景 | 已有高质量共晶结构时的快速突变扫描；作为 ML ensemble 的一票。 |
段末注释：Ensemble（集成模型） 指组合多个 predictor 的预测值（如简单平均），以降低单一方法偏差。
4.2 Rosetta Flex ddG
| 维度 | 内容 |
|---|---|
| 原理 | 在 Rosetta 能量函数下，用 backrub 采样骨架微动，生成构象 ensemble，再对界面能量差取平均估计 ΔΔG。 |
| 优势 | 较 rigid-body Rosetta ddG 在抗体–抗原界面、小→大侧链突变、多位点非丙氨酸突变上明显改进（ZEMu 1240 突变 benchmark）。 |
| 局限 | 计算成本高（每突变需大量采样）；仍依赖结构质量；Pearson 相关通常仅 moderate。 |
| 适用场景 | 少量 lead 候选的精细 ΔΔG 评估；与 FoldX、GearBind 组成三方法 ensemble。 |
4.3 BeAtMuSiC
| 维度 | 内容 |
|---|---|
| 原理 | 将复合物 ΔΔG 分解为复合物稳定性变化与各单体稳定性变化的线性组合；基于 PoPMuSiC 统计势。 |
| 优势 | Web 服务器易用；可界面系统性扫描；在 SKEMPI 系列 benchmark 中长期作为强 baseline；对 reverse mutation 预测较稳健（bias 分析）。 |
| 局限 | 统计势对非典型界面化学环境泛化有限；绝对值精度仍不足。 |
| 适用场景 | 通用 PPI ΔΔG；抗体工程入门扫描。 |
4.4 SSIPe
| 维度 | 内容 |
|---|---|
| 原理 | 结构/序列同源搜索构建界面 profile，与 EvoEF 物理势结合；引入氨基酸特异 pseudocount 缓解数据稀疏。 |
| 优势 | 在严格 30% 序列 identity 划分下 TestSet PCC (\approx 0.61)，RMSE (\approx 1.93) kcal/mol，优于多数传统方法。 |
| 局限 | 依赖可靠复合物结构；非界面突变仅用 EvoEF，精度下降。 |
| 适用场景 | 有结构、需进化信息增强的 ΔΔG 预测。 |
4.5 PBEE 与其他
PBEE（Physics-Based Energy Estimator） 等新一代能量估计器在 AbRank benchmark 中与 FoldX 一并作为 energy-based baseline；总体在跨复合物泛化上弱于排序式 GNN，但在局部突变场景仍具可解释性。
5. 结构 + 机器学习类
5.1 mCSM-AB / mCSM-PPI
| 维度 | 内容 |
|---|---|
| 原理 | 将复合物表示为图：原子为节点，距离与物化类型为边；提取 graph-based signatures（累积分布）作为 ML 特征，回归 ΔΔG。 |
| 优势 | 首个面向抗体–抗原优化的专用 Web 工具；AB-Bind 上 (r \approx 0.53)–0.56，优于当时 FoldX（0.34）、Rosetta（0.16）等；无需显式溶剂 FEP。 |
| 局限 | 训练集偏向 destabilizing 突变；对 stabilizing 突变识别仍弱；结构输入质量敏感。 |
| 适用场景 | 抗体界面饱和突变扫描；逃逸突变风险初筛。 |
5.2 Bind-ddG / DDGPred
| 维度 | 内容 |
|---|---|
| 原理 | 几何图神经网络（Equivariant GNN）编码 wild-type 复合物 3D 几何，预测突变 ΔΔG。 |
| 优势 | 在 crystal PDB 上可达较高相关；显式建模界面几何。 |
| 局限 | ProtAttBA 等 2025 对比显示：换用 AlphaFold2/ESMFold 结构后性能骤降，泛化弱于序列法；对 CDR 环构象误差极敏感。 |
| 适用场景 | 有实验共晶、单点/少点 CDR 优化。 |
5.3 GearBind / GearBind+P
| 维度 | 内容 |
|---|---|
| 原理 | 多关系图 + 多层几何消息传递；GearBind+P 在大规模无标签蛋白结构上做对比预训练，再 fine-tune SKEMPI。 |
| 优势 | split-by-complex 五折 CV 上优于 FoldX、Flex ddG、Bind-ddG；实验验证 ELISA (EC_{50}) 最高改善 ~17 倍，(K_{\mathrm{D}}) ~6.1 倍；与 FoldX ensemble 效果接近完整五模型 ensemble。 |
| 局限 | 需复合物结构；预训练与推理成本高于 mCSM-Ab；对 AF3 预测结构的鲁棒性仍受 AbRank 等 benchmark 挑战。 |
| 适用场景 | 亲和力成熟 in silico 饱和突变；与 FoldX 联用的 ensemble 工作流。 |
5.4 Graphinity / MutPPI
| 维度 | 内容 |
|---|---|
| 原理 | Graphinity：等变 GNN 预测 ΔΔG；MutPPI：GNN + ESM-2 多模态。 |
| 优势 | Graphinity 在 AB-Bind 645 突变上曾报告 Pearson (\approx 0.87)，但 Nature Computational Science (2025) 指出该高分来自 overfitting，真实泛化远低于报告值；在百万级 FoldX 合成数据上可学至 (r \approx 0.9)。 |
| 局限 | 实验数据量不足时 DL 易记忆复合物 id；需严格 split-by-complex 评估。 |
| 适用场景 | 研究用；合成数据预训练 + 小实验集 fine-tune 的探索性流程。 |
5.5 ANTIPASTI
| 维度 | 内容 |
|---|---|
| 原理 | 对复合物结构计算 Normal Mode 相关图（残基波动耦合），CNN 回归 (\log K_{\mathrm{D}})。 |
| 优势 | 直接预测绝对 (K_{\mathrm{D}})（非仅 ΔΔG）；报告 test (R \approx 0.85)–0.86；CPU 训练 <10 min；可解释性（normal mode 可视化）。 |
| 局限 | 训练/测试抗原需低冗余划分，难以与其他方法公平重训对比；依赖结构；对柔性 CDR 的 normal mode 近似可能失真。 |
| 适用场景 | 已有抗体–抗原结构、需快速 (K_{\mathrm{D}}) 量级估计；与 AlphaFold 结构联用教程已提供。 |
6. 序列与混合深度学习类
6.1 AttABseq
| 维度 | 内容 |
|---|---|
| 原理 | 抗体/抗原序列分别编码，multi-head attention 捕获突变前后序列上下文，端到端回归 ΔΔG。 |
| 优势 | 纯序列、无需结构；在 AB645/AB1101/S1131 上优于多种序列 baseline；2024 Briefings in Bioinformatics。 |
| 局限 | 对训练集未覆盖的抗原/scaffold 外推有限；多点突变深度增加时仍弱于 ProtAttBA 等更新方法。 |
| 适用场景 | 早期 CDR 点突变筛选；无结构时的 ΔΔG 粗排。 |
6.2 ProtAttBA（2025）
| 维度 | 内容 |
|---|---|
| 原理 | 序列 attention + 可解释模块；针对抗体工程优化。 |
| 优势 | 在 sequence identity split、mutation depth split 上整体优于 AttABseq 与 structure-based DDGPred（尤其当输入为预测结构时）。 |
| 局限 | 仍依赖 AB-Bind/SKEMPI 类标签分布；绝对 ΔΔG 误差需实验校准。 |
| 适用场景 | 推荐作为序列优先 ΔΔG 工作流的首选之一。 |
6.3 AntiFormer / LlamaAffinity
| 维度 | 内容 |
|---|---|
| 原理 | AntiFormer：图增强 LLM，双塔编码抗体–抗原序列；LlamaAffinity：LLaMA 3 backbone + OAS 抗体序列微调，做 binding 分类。 |
| 优势 | AntiFormer 在患者 BCR 数据分析、疫苗应答研究中展示应用；LlamaAffinity 报告分类 AUC-ROC (\approx 0.994)、训练 ~0.46 h。 |
| 局限 | LlamaAffinity 等为分类非 (K_{\mathrm{D}}) 回归；LLM 类方法易过拟合公开 benchmark；临床靶点（HER2、SARS-CoV-2）外部验证仍不足。 |
| 适用场景 | 大规模 binder/non-binder 初筛；免疫组库分析。 |
6.4 AbAgIntPre / AntiBinder / MultiSAAI
| 维度 | 内容 |
|---|---|
| 原理 | AbAgIntPre：CKSAAP 编码 + Siamese CNN，预测是否结合；AntiBinder：双向 cross-attention 融合结构+序列；MultiSAAI：多尺度序列 DL。 |
| 优势 | AbAgIntPre 提供 Web 服务器与 SARS-CoV 专用模型；AntiBinder 在未见抗原、跨物种任务上优于多种 SOTA；MultiSAAI 2025 bioRxiv 在通用数据集上优于 AbAgIntPre。 |
| 局限 | 交互预测 ≠ 亲和力定量；结构增强模型仍受结构预测误差拖累。 |
| 适用场景 | 表位/抗体库 hit picking；新抗原、新病原体的 first-pass 筛选。 |
7. 排序学习范式：AbRank 与 WALLE-Affinity
7.1 问题重构
AbRank（2025） 指出：亲和力标签存在（1）检测限截断（如 (< 0.1,\mathrm{nM})）；（2）SPR/BLI/ELISA 混用；（3）批间噪声。故将任务改为 **(m)-confident pairwise ranking**：仅学习满足 (a_i > m \cdot a_j)（默认 (m=10) 倍）的样本对顺序，损失为 margin ranking loss：
[
\mathcal{L}(x_i, x_j, y_{ij}) = \max\left(0,,-y_{ij}\cdot(f(x_i)-f(x_j))+\mathrm{margin}\right)
]
7.2 WALLE-Affinity
| 维度 | 内容 |
|---|---|
| 原理 | GNN 整合 PLM 嵌入（ESM-2/Mint）与粗粒度结构图；支持 regression 与 ranking 两种目标。 |
| 优势 | Ranking 训练在 Hard Ab/Ag split 上 AUC 优于 ANTIPASTI、GearBind、ESM-2、FoldX；对 Boltz-1/AF3 预测结构的噪声更鲁棒。 |
| 局限 | 输出为相对顺序，需额外校准才能得到 (K_{\mathrm{D}})；benchmark 构建复杂，复现门槛高。 |
| 适用场景 | 多候选抗体对同一抗原的优先级排序；跨抗原、跨 scaffold 的泛化评估标准。 |
8. 结构预测与对接：亲和力的上游依赖
亲和力 predictor 的上限常由输入结构决定。下表为结构获取工具（非直接预测亲和力，但是 ΔΔG/结构 ML 的前置步骤）：
| 工具 | 角色 | 抗体–抗原表现 | 注意点 |
|---|---|---|---|
| AlphaFold3（AF3） | 端到端复合物预测 | 多 seed 时 DockQ 成功率显著高于 AF-Multimer；单 seed 抗体 docking 失败率仍 ~65% | CDR-H3 是瓶颈；建议多 seed + ipTM 筛选 |
| Boltz-1 / Chai-1 | 开源 AF3 类 | AbRank 默认抗原结构来源；速度与精度折中 | 柔性区域不确定性高 |
| IgFold | 抗体 Fv 专用 | AbRank 默认抗体结构来源 | 不含抗原对接 |
| HADDOCK3 | 信息驱动对接 | 需 paratope/epitope 约束；AI 结构 ensemble + HADDOCK 可优于纯 rigid-body | 依赖 prior 界面信息 |
| ABodyBuilder3 | 抗体 homology/model | 传统抗体建模管线 | 需另做对接 |
实践建议：in silico 亲和力流程宜采用「多 seed 结构生成 → 界面质量过滤（DockQ/ipTM）→ ΔΔG/排序模型 → top 突变实验验证（SPR/BLI）」；勿将单一 AF3 模型直接喂给结构敏感 predictor 并期待定量 (K_{\mathrm{D}})。
9. 工具选型指南
9.1 按场景推荐
| 场景 | 推荐工具（优先级） | 理由 |
|---|---|---|
| 有共晶、单点 CDR 成熟 | GearBind+P + FoldX ensemble → Flex ddG 复核 | 实验验证的 in silico maturation 管线 |
| 无结构、点突变 ΔΔG | ProtAttBA / AttABseq | 对预测结构误差免疫 |
| 饱和突变扫描（界面） | mCSM-AB Web → GearBind 精排 | Web 快速 + DL 精排 |
| 绝对 (K_{\mathrm{D}}) 量级（有结构） | ANTIPASTI | 少数直接回归 (K_{\mathrm{D}}) 的专用工具 |
| 抗体库 binder 分类 | AbAgIntPre / LlamaAffinity / AntiFormer | 高通量、低成本 |
| 未见抗原/跨物种结合 | AntiBinder | 专门优化 OOD 抗原 |
| 多候选排序（不同实验源） | AbRank 框架 + WALLE-Affinity | 对标签噪声最匹配 |
| 逃逸突变/疫苗设计 | mCSM-AB + 排序模型 | 界面 destabilizing 突变识别 |
| 可解释、物理先验 | FoldX + BeAtMuSiC + SSIPe 对比 | 能量分解便于人工审查 |
9.2 方法族横向对比
| 方法族 | 典型精度（实验 ΔΔG） | 计算成本 | 结构依赖 | 泛化（新抗原） | 可解释性 |
|---|---|---|---|---|---|
| 物理能量 | 低–中（(r) 0.2–0.4） | 中–高 | 强 | 中（不记忆训练集） | 高 |
| 结构 GNN | 中–高（数据依赖） | 高 | 强 | 低–中 | 中 |
| 序列 DL | 中 | 低–中 | 无 | 中 | 低–中 |
| 排序 GNN | 中（AUC） | 中–高 | 可选 | 中–高 | 低 |
| 交互分类 | 高（AUC） | 低 | 可选 | 方法差异大 | 低 |
10. 共性局限与研究前沿
- 数据瓶颈：高质量抗体–抗原 ΔΔG 仍仅千级量级；SKEMPI 中抗体条目占比有限；stabilizing 突变欠采样。
- 评估泄漏：split-by-mutation 造成「虚高 SOTA」；发表性能需核查划分策略与复合物 identity cutoff。
- 结构误差传播：CDR-H3、抗原柔性 loop 导致 AF3/IgFold 界面 RMSD 数 Å 即足以翻转 ΔΔG 符号；序列法因此「工程上更稳」。
- 标签异质性：(K_{\mathrm{D}})、(IC_{50})、escape (f) 混训的 regression 模型物理意义不清；排序 + m-fold 过滤 是务实方向。
- 实验–计算闭环：GearBind 等已展示 ELISA/BLI 验证可达 5–17 倍改善，但成功率依靶点而异；计算预测应定位为富集因子而非替代 SPR。
- 2025 趋势：PLM（ESM-2、Mint、AbLang2）+ 粗粒度结构图；metric learning；合成数据（FoldX/Rosetta）预训练 + 小样本实验 fine-tune；AF3 复合物 + 排序 head 的一体化 pipeline。
11. 推荐工作流（示意）
1 | [序列] ──► 可选：AbAgIntPre / AntiBinder（binder 分类） |
12. 工具与资源索引
| 工具 | 类型 | 链接/备注 |
|---|---|---|
| FoldX | 能量函数 | foldxsuite.org |
| Rosetta Flex ddG | 能量+ensemble | Rosetta Commons |
| BeAtMuSiC | Web ΔΔG | babylone.ulb.ac.be/beatmusic |
| SSIPe | Web ΔΔG | zhanggroup.org/SSIPE |
| mCSM-AB | Web ΔΔG | structure.bioc.cam.ac.uk/mcsm_ab |
| GearBind | GNN ΔΔG | Nature Communications 2024 |
| ANTIPASTI | CNN (K_{\mathrm{D}}) | github.com/kevinmicha/ANTIPASTI |
| AttABseq | 序列 ΔΔG | github.com/ruofanjin/AttABseq |
| AbAgIntPre | 序列交互 | Frontiers in Immunology 2022 Web server |
| AbRank | Benchmark | arXiv:2506.17857 |
| SKEMPI 2.0 | 数据库 | life.bsc.es/pid/skempi2 |
| AB-Bind | 数据库 | github.com/sarahsirin/AB-Bind-Database |
| SAbDab | 结构库 | opig.stats.ox.ac.uk/webapps/sabdab |
13. 小结
抗体–抗原亲和力预测已形成「实验测定 → 公开 benchmark → 多范式计算」的完整生态：物理能量法可解释、对结构敏感但不易过拟合；结构 GNN 在共晶+按复合物划分时最强，是亲和力成熟的主力；序列 DL 在缺少结构或 AF 模型不可靠时更稳健；排序学习（AbRank） 最适合多源、 noisy 标签下的候选优先级。没有单一工具能在所有靶点与任务上占优——应依据「有无结构、要绝对值还是排序、突变深度、是否需要 OOD 抗原」四元组选型，并始终以 SPR/BLI 实验闭环校验。
参考文献（选）
- Cai Y. et al. Pretrainable geometric graph neural network for antibody affinity maturation. Nat. Commun. 2024.
- Michalewicz H. et al. ANTIPASTI: interpretable prediction of antibody binding affinity exploiting Normal Modes and Deep Learning. 2024.
- Jin R. et al. AttABseq: an attention-based deep learning prediction method for antigen–antibody binding affinity changes based on protein sequences. Brief. Bioinform. 2024.
- Liu C. et al. AbRank: A Benchmark Dataset and Metric-Learning Framework for Antibody–Antigen Affinity Ranking. 2025 (arXiv:2506.17857).
- Barlow K. et al. Flex ddG: Rosetta ensemble-based estimation of changes in protein–protein binding affinity upon mutation. J. Phys. Chem. B 2018.
- Pires D.E.V. et al. mCSM-AB: a web server for predicting antibody–antigen affinity changes upon mutation. Nucleic Acids Res. 2016.
- Shan Y. et al. Deep learning guided optimization of human antibody against SARS-CoV-2 variants with broad neutralization. Proc. Natl. Acad. Sci. 2022 (Bind-ddG).
- Abramson J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 2024.
- Nature Computational Science 2025: Investigating data requirements for generalizable antibody–antigen ΔΔG prediction (Graphinity).
- ProtAttBA: Sequence-Only Prediction of Binding Affinity Changes. 2025 (arXiv:2505.20301).