目录
2026年10月13日，于Antibody Therapeutics发表研究成果，推出PPBind-3D/1D通用蛋白-蛋白结合亲和力AI预测框架。该研究创新性构建PPBind-3D结构模型与PPBind-1D序列模型双模型体系，破解蛋白亲和力预测领域数据异质、高质量实验数据稀缺、复合物三维结构获取困难等行业痛点，为抗体及蛋白药物研发提供高通量虚拟筛选新工具，助力加速创新蛋白药物开发进程。
图片来源：Antibody Therapeutics （https://doi.org/10.1093/abt/tbag053）
双模型协同创新，实现结构与序列场景全覆盖
蛋白药物的治疗效能高度依赖蛋白-蛋白结合（PPB）亲和力，高亲和力分子可更特异性结合靶点，提升药效并降低脱靶副作用。因此，快速、精准评估蛋白相互作用亲和力，是蛋白与抗体药物早期筛选的核心环节。当前亲和力测定主要依靠蛋白微阵列、Octet等湿实验技术，检测结果准确，但操作流程复杂、成本高昂，难以满足高通量大规模候选分子筛选需求。
计算预测方法成为高通量筛选的重要备选方案，然而现有算法落地仍面临多重瓶颈：高质量、经过实验验证的亲和力样本有限；SPR、ITC、ELISA、DMS等不同来源实验数据存在显著异质性，指标不统一、噪声大，难以直接融合训练；三维结构信息对解析结合机制至关重要，但大量靶点复合物缺乏高分辨率晶体结构，序列数据易得而结构数据往往缺失。
针对上述难题，研究团队打造PPBind综合预测框架，包含PPBind-3D结构模型与PPBind-1D序列模型两大核心模块，并通过三组递进式虚拟筛选案例验证模型在抗体、纳米抗体亲和力排序任务中的实用价值。
图1：PPBind系列模型总览，包括（A）数据集构成、（B）PPBind-3D与（C）PPBind-1D的网络架构。
1. PPBind-3D（结构驱动模型）：针对蛋白复合物三维结构，设计自-互注意力（S&M-Attention）几何编码器；创新性引入单调神经网络约束多任务学习MMTL，兼容SPR、DMS深度突变扫描等异源实验数据，充分利用非ΔG格式高通量实验数据扩充训练集；提出基于iDist算法的严格聚类数据集划分策略，有效规避业内普遍存在的数据泄露问题，在严格划分数据集下Pearson相关系数＞0.6，综合性能优于PRODIGY、ProBAN等主流基线工具，已上线公开网页工具，可直接在线使用。
2. PPBind-1D（序列驱动模型）：解决实际研发中蛋白复合物三维结构缺失的痛点。创新特征对齐（Feature Alignment）训练范式，以PPBind-3D作为教师模型，利用含42108条复合物的无标签DIPS-Plus数据集做知识蒸馏，仅输入蛋白序列即可实现接近结构模型的预测精度，无需解析或预测复合物结构，适配大规模抗体序列库筛选场景；降维可视化结果显示，经对齐训练的PPBind-1D保留了与PPBind-3D相似的数据拓扑结构，而未使用对齐的模型特征呈散乱状态。
案例一：具备真实复合物结构，抗体-抗原亲和力预测
采用未纳入训练集的CTLA-4、PD-1、PD-L1抗体复合物数据，PPBind-3D基于解析结构完成亲和力预测，整体Pearson相关性0.52，证明真实结构下可直接用于抗体候选分子筛选。
图2：三种模型特征表示的可视化（A-C），以及真实结构下模型的预测结果——（D）按样本类型与（E）PDB编号展示。
案例二：仅有序列，HEL纳米抗体亲和力排序
利用AlphaFold3预测复合物结构，结果显示当预测结构ipTM偏低、界面结构存在偏差时，PPBind-3D预测效果受限，而经过特征对齐的PPBind-1D依旧保持稳定预测能力，相关性超过0.4。
图3：各模型预测亲和力与实际亲和力的相关性（A）PPBind-3D、（B）PPBind-1D-NoAlignment、（C）PPBind-1D-Alignment；（D）AlphaFold3预测复合物结构的ipTM与pTM箱线图；（E）AlphaFold3预测的两个结构，左侧ipTM最低，右侧ipTM最高。
案例三：仅有序列，抗PD-L1抗体亲和力排序。
与案例二做法一致，PPBind-3D基于AlphaFold3预测复合物结构进行亲和力预测，尽管AlphaFold3输出的复合物ipTM较高，但PPBind-3D受表位、对接姿态偏差影响导致预测失效；PPBind-1D-Alignment表现最优，Pearson相关性可达0.66，远高于没有经过特征对齐的PPBind-1D-NoAlignment模型，充分凸显特征对齐后的序列模型在AI预测结构不可靠场景下的稳健优势。
图4：各模型预测亲和力与实际亲和力的相关性（A）PPBind-3D、（B）PPBind-1D-NoAlignment、（C）PPBind-1D-Alignment；（D）AlphaFold3预测复合物结构的ipTM与pTM箱线图；（E）Case3中AlphaFold3预测ipTM最高的两个结构，蓝色链为PD-L1，绿色链为抗体。
三组案例清晰揭示：真实实验结构优先选用PPBind-3D；AlphaFold预测结构质量不足时，PPBind-1D是更稳妥的高通量筛选方案。在虚拟筛选、候选分子排序这类实际研发任务中，PPBind模型核心优势是区分高、低亲和力分子，满足药物早期分子优先级排序需求。
团队同时客观阐述模型当前局限性：PPBind-3D预测精度高度依赖复合物结构质量，AlphaFold预测结构ipTM较低时预测结果需要谨慎解读；PPBind-1D特征对齐提升整体排序能力，但单样本绝对亲和力数值预测仍存在偏差；亲和力绝对值预测仍是领域共性挑战，受实验噪声、数据规模等多重因素制约。
面向未来，随着AlphaFold等蛋白结构预测技术持续迭代，无实验结构条件下PPBind-3D的应用场景将持续拓宽。依托RDE模块，PPBind-3D特别适配抗体工程海量突变体快速评估；持续扩充实验测定的亲和力数据集，还将进一步释放PPBind系列模型潜力。
研究团队与赛业生物
研究团队
本研究由清华珠三角研究院人工智能创新中心主任、赛业生物董事长韩蓝青牵头，陈逸、刘华清为共同第一作者，联合中山大学附属第三医院、中山大学第七附属医院、深圳大学南山人民医院共同完成。
赛业生物：AI与实验协同研发
赛业生物深耕AI驱动的全人源抗体药物研发，构建了HUGO-Ab®全人源抗体小鼠+ AbSeek®智能抗体计算平台干湿一体化研发体系，覆盖靶点验证、抗体筛选、序列优化和体内外验证全链条。本次发表的PPBind-3D/1D为通用蛋白亲和力预测AI框架，在抗体药物场景完成充分验证，强化从序列到亲和力预测的计算能力，助力降低抗体与蛋白药物早期筛选成本，缩短研发周期。
赛业生物持续推进产学研深度协同，面向科研院所、生物医药企业开放技术合作，欢迎蛋白工程、抗体新药研发领域伙伴开展交流。
参考资料
[1] PPBind-3D/1D: Protein-Protein Binding Affinity Prediction for Structural and Sequence Data. Antibody Therapeutics. Oxford大学出版社. DOI: 10.1093/abt/tbag053。
推荐资料与业务入口
| 推荐入口 | 链接 | 用途 |
|---|---|---|
| AbSeek智能抗体计算平台 | AbSeek智能抗体计算平台 | 了解抗体计算分析平台 |
| HUGO-Ab抗体发现引擎 | HUGO-Ab抗体发现引擎 | 了解抗体发现技术路径 |
| 抗体药物研发 | 抗体药物研发 | 讨论抗体研发与验证需求 |
| 技术指南中心 | 技术指南中心 | 查阅相关研究资料 |
关于 iCyagen 科研 AI 平台
在蛋白与抗体研究早期，可通过iCyagen辅助检索研究资料、梳理实验问题。计算分析与虚拟筛选结果仍需结合实验验证及具体研究条件判断。
正在规划蛋白或抗体候选分子的计算筛选与实验验证？结合序列、结构数据及项目目标，与赛业生物讨论技术合作和研发方案。
页面标签
FAQ
PPBind-3D与PPBind-1D的输入有何不同？
PPBind-3D基于蛋白复合物三维结构，PPBind-1D基于蛋白序列，并通过特征对齐学习结构模型的表示。
虚拟筛选预测能否替代实验亲和力测定？
原文将模型用于候选分子的亲和力排序，同时指出绝对亲和力预测仍存在偏差，结果需结合结构质量、数据条件和实验验证判断。
缺少可靠复合物结构时如何理解模型选择？
原文案例显示，特征对齐后的序列模型在部分预测结构不可靠的场景中具有排序优势；具体表现仍取决于数据与任务。
