DyMEAN：端到端影子互补桥接抗体抗原
Abstract
介绍了一种名为 dynamic Multi-channel Equivariant grAph Network (dyMEAN) 的新模型，它是一个 端到端（end-to-end） 的 全原子（full-atom） 抗体设计方法。该方法的主要目标是改进现有的 基于学习的抗体设计 方法，解决以下两个主要问题：
- 现有方法的局限性：
- 现有的学习方法通常仅关注抗体设计流程的某个子任务，使得整体方案次优或资源消耗过大。
- 这些方法要么忽略抗体的框架区（framework regions），要么忽略侧链（side chains），无法完整捕捉抗体的全原子几何信息。
- dyMEAN 的解决方案：
- 端到端建模：dyMEAN 可直接处理 仅提供抗原表位（epitope）和部分抗体序列（incomplete sequence） 的问题，而无需多阶段流水线。
- 结构初始化：使用结构知识进行初始结构猜测（structural initialization）。
- 影子互补位（shadow paratope）：提出影子互补位来桥接抗原-抗体的交互信息。
- 多通道等变编码器（adaptive multi-channel equivariant encoder）：该编码器可以在全原子建模时，适应不同残基的原子数目变化，同时更新 1D 序列和 3D 结构。
- 最终对接（docking）：通过对齐影子互补位，完成抗原-抗体的结合结构预测。
- 实验验证：
- 通过在 CDR-H3 设计（epitope-binding CDR-H3 design）、复合结构预测（complex structure prediction） 和 亲和力优化（affinity optimization） 三个任务上的实验，验证了 dyMEAN 在 端到端框架和全原子建模 方面的优越性。
Introduction
本文研究的是 抗体设计（antibody design），其在 治疗学（therapeutics） 和 生物学（biology） 领域具有重要应用。然而，抗体设计仍然是一个极具挑战性的任务，主要原因包括 互补决定区（CDRs） 的高变异性以及抗原-抗体相互作用规律的复杂性。
近年来，虽然计算方法在抗体设计方面取得了一些进展，但仍然存在两大核心问题：
- 现有方法多采用多阶段流水线（pipeline-based approach），结构预测、docking、CDR生成、side-chain packing，缺乏整体优化，导致结果次优或计算开销大。
- 缺乏全原子级别的建模（full-atom modeling），导致对抗原-抗体复合物结构的描述不够精确。
本文提出了一种新的 端到端全原子抗体设计模型——dyMEAN（dynamic Multi-channel Equivariant grAph Network），以克服上述问题。该模型直接从 抗原表位（epitope） 和 不完整抗体序列（incomplete antibody sequence） 生成完整的 1D 序列和 3D 结构，并通过 影子互补位（shadow paratope） 机制以及 E(3)-等变（E(3)-equivariance） 编码器提高抗体设计的准确性和对接（docking）精度
现有计算方法的不足
- 基于能量优化的方法采用统计能量函数（如 Rosetta）优化抗体结构，但能量函数的表达能力有限，难以准确建模抗体-抗原相互作用。
- 训练 语言模型（Language Models, LMs） 仅使用抗体的 1D 序列 进行优化，由于缺乏 结构信息（3D Geometry），序列生成效果受限。
- 基于深度生成模型的序列-结构联合设计可以同时生成 CDR 序列和 3D 结构 有上下文建模不完整等问题
为了克服上述问题，本文提出 dyMEAN（dynamic Multi-channel Equivariant grAph Network），其特点如下：
-
直接从 抗原表位（epitope） 和 不完整抗体序列 生成 完整的抗体序列和 3D 结构，不依赖多阶段流水线，避免误差累积，减少计算资源消耗。
-
通过 保守残基（conserved residues） 生成 抗体框架区（framework regions）的初始结构。
-
在抗原表位附近创建影子互补位（shadow paratope），它：
- 共享 真实 CDR-H3 的 隐藏状态。
- 独立优化坐标，保证 抗体-抗原相互作用不依赖抗体初始位置
-
自适应多通道等变编码器
-
采用 E(3)-等变（E(3)-equivariant） 机制，同时更新 1D 序列和 3D 结构。
-
处理 不同残基的可变原子数，支持 全原子建模（Full-Atom Modeling）。
-
-
通过影子互补位 对齐真实 CDR-H3，实现抗体对接，生成最终的抗原-抗体复合物
Notations and Definitions
抗体（Antibody）是一种 Y 形对称蛋白质，由两个相同的链组成，每条链包括：
- 重链（Heavy Chain, VH）
- 轻链（Light Chain, VL）
每条链由 多个恒定域（Constant Domains） 和 一个可变域（Variable Domain） 组成：
- 恒定域（Constant Domains） 在不同抗体中保持不变。
- 可变域（Variable Domains） 负责 特异性结合不同的抗原，是抗体设计的核心关注点。
本文中，我们使用 $V_H$ 和 $V_L$ 分别表示 重链（VH）和轻链（VL）的可变域。可变域由 四个框架区（Framework Regions, FRs） 和 三个互补决定区（Complementarity Determining Regions, CDRs） 交替排列构成
抗体的结合区域称为互补位（Paratope），而抗原的结合区域称为表位（Epitope），本文中，互补位专指 CDR-H3，因为它在抗原结合中起着主导作用
-
抗体和抗原的图表示
- 抗原表位图（Epitope Graph）：$G_E(V_E,E_E)$
- 抗体图（Antibody Graph）：$G_A(V_A,E_A)$
-
残基的特征表示
- 氨基酸类型 $s_i$：残基的氨基酸种类（如 Ala、Ser、Glu）。
- 多通道3D坐标矩阵 $X_i\in \mathbb{R}^{3\times c_i}$
- $c_i$ 代表该残基得原子数（包括主链和侧链）
- 由于不同氨基酸的侧链结构不同，$c_i$ 不固定
- 为了兼容不同残基的原子数，dyMEAN 采用 多通道表示
-
图的边构造
-
dyMEAN 采用 k-近邻（kNN） 机制来构造图的边，计算两个残基 $v_i$ 和 $v_j$ 之间的最小成对原子距离：
其中：p和q表示原子坐标
-
-
此外还在重链、轻链和抗原表位上增加了三个全局节点
Task Definition
输入 抗原表位 + 部分抗体序列，预测 完整的 CDR-H3 序列和 3D 结构，预测结果应能 正确对接到抗原表位。
Our Method: dyMEAN
每个顶点（来自抗原表位图 $G_E$ ，抗体图 $G_A$ 以及互补位子图 $G_P$ ）被赋予：
- 一个 不变向量（invariant vector） $h_i\in\mathbb{R}^d$
- 一个 等变坐标矩阵（equivariant coordinate matrix） $X_i\in\mathbb{R}^{3\times c_i}$
总体流程可以表示为：
其中：
- SI（Structural Initialization，结构初始化）：
- 通过已知的 不完整抗体序列 预测 初始坐标 $X_i^{(0)}$ 和隐藏状态 $h_i^{(0)}$
- SP（Shadow Paratope，影子互补位）：
- 在 抗原表位 和 互补位 之间引入 影子互补位 $G_S$，该影子互补位共享 CDR-H3 的隐藏状态，连接抗原和抗体，为 docking 提供锚点。
- AME（Adaptive Multi-channel Encoder，自适应多通道编码器）：
- 迭代更新所有顶点的 隐藏状态 $h_i$ 和坐标 $X_i$
- 预测模块（Prediction）：
- 计算 **CDR-H3 氨基酸分布 ** $p_i$
- 对接模块（Docking）：
- 通过 对齐影子互补位 $G_S$ 完成抗体-抗原结合。
Structural Initialization with Conserved Residues
在输入数据中，抗体序列 ${s_i}_{i\in V_A,i\notin V_P}$ 缺失了 CDR-H3 信息，同时 3D 结构未知。因此，dyMEAN 需要初始化 抗体隐藏状态 $h_i^{(0)}$ 和3D坐标 $X_i^{(0)}$
隐藏状态初始化 $h_i^{(0)}$
每个残疾的隐藏状态是氨基酸类型+位置编码得到，$h_i^{(0)}=f(s_i,r_i)=f_{s_i}+f_{r_i}$，对于缺失的 CDR 区域，dyMEAN 会用一个特殊类型 [MASK] 来表示这些残基。
初始化 3D 坐标 $X_i^{(0)}$
框架区（FRs）通常是保守的，因此，dyMEAN 使用 已知抗体结构中框架区的坐标 来初始化抗体的 3D 坐标 ($X_i^{(0)}$)，具体步骤如下：
- 对齐保守残基：
- 通过对比 抗体序列 和 结构数据库中的抗体序列，识别出在多个抗体中都保持一致的残基，这些被认为是保守的残基。
- 通过抗体编号系统（如 IMGT 编号系统） 对抗体序列进行比对，找到 在超过 95% 的抗体中类型一致的残基。
- Kabsch 对齐算法：
- 使用 Kabsch 算法 将 框架区的保守残基 的 主链原子（backbone atoms） 进行对齐，从而得到这些保守残基的平均 3D 坐标。
- 得到的坐标将用于初始化 框架区的 3D 坐标。
- 插值和扩展：
- 对于框架区中的非保守残基，dyMEAN 通过 线性插值 将其坐标值插入到保守残基之间。对于位于链两端的残基，通过从最近的保守残基开始，进行 向外的线性插值。
坐标的标准化
完成坐标初始化后，dyMEAN 会对 坐标进行标准化：
- 对所有抗体的坐标进行 3D 平移，确保它们的 均值为 0。
- 1D 方差标准化：对所有抗体的坐标进行 1D 方差标准化，确保不同抗体之间的尺度一致。
通过这种方式，dyMEAN 使用保守残基的结构信息为 框架区 提供了一个 合理的初始结构猜测。这为后续的 影子互补位（shadow paratope） 建立和 多通道消息传递（multi-channel message passing） 打下了基础
E(3)-Invariant Attachment of Shadow Paratope
在 dyMEAN 方法中，为了增强抗体与抗原之间的信息交换，研究者提出了Shadow Paratope（影子互补位点）的概念。它是一种在抗原的表位（epitope）附近附加的伪互补位点副本，主要具有两个关键作用：
- 传递 E(3)-不变（E(3)-invariant）信息：影子互补位点与原始互补位点共享相同的隐藏状态 $h_i$ 和拓扑结构，从而在抗原与抗体之间进行信息交换，而不依赖于抗体的初始位置。
- 作为关键对接点：影子互补位点将在抗体与抗原的对接过程中（详见 §4.4）发挥关键作用。
值得注意的是，由于影子互补位点仅交换 E(3)-不变的信息（即隐藏状态 $h_i$），而不是坐标 $X_i$，因此其 3D 坐标和最终对接结构不会受到抗体初始位置的影响。这种特性确保了 dyMEAN 方法的通用性和鲁棒性。
影子互补位点的构造
影子互补位点由一个子图 $G_s=(V_S,E_S)$ 表示，其中“
- 顶点集 $V_S$ 包含影子互补位点的残基
- 边集 $E_S$ 分为两部分：
- 内部边：直接复制自原始互补位点之间的连接。
- 外部边：用于连接影子互补位点和抗原表位（epitope）。
对任意表位残基 $v_i \in V_E$ 和影子互补位点 $v_j \in V_S$，其外部边根据k 近邻（kNN）距离构造：
其中，$\varphi_e$ 是一个多层感知机（MLP, Multi-Layer Perceptron），用于学习特定的距离表示。
影子互补位点的初始化
- 影子互补位点的隐藏向量 $h_i$ 是从原始互补位点复制而来，以保证一致性。
- 影子互补位点的坐标 $X_i$ 按照标准高斯分布 $N(0, I)$ 在表位中心附近初始化，确保在训练初期的随机性，同时不会破坏最终的 E(3)-不变性。
最终，影子互补位点子图 $G_S$ 被合并到表位图 $G_E$ 中，从而构建一个新的图结构 $G_E \cup G_S$，用于后续的消息传递和抗体对接
Adaptive Multi-Channel Equivariant Encoder
Geometric Relation Extractor $T_R$
-
计算通道级别的欧几里得距离，给定 $X_i\in\mathbb{R}^{3\times c_i}$ 和 $X_j\in\mathbb{R}^{3\times c_j}$ ，对于每个通道（每个原子）都计算 $D_{ij}(p, q) = ||X_i(:, p) - X_j(:, q)||_2$
-
计算加权相关性
其中 $w_{i}\in\mathbb{R}^{c_i\times 1}$ 和 $w_{j}\in\mathbb{R}^{c_j\times 1}$ ， $A_{i}\in\mathbb{R}^{c_i\times d}$ 和 $A_{j}\in\mathbb{R}^{c_j\times d}$
最后的 $R_{i,j}\in\mathbb{R}^{d\times d}$ 保持固定维度，确保输入的维度一致
Geometric Message Scaler, $T_S$
$T_S$ 负责 调整几何信息的尺度，确保不同残基的坐标信息能有效地传递和融合，坐标 $X\in\mathbb{R}^{3\times c}$ ，非几何信息 $s=\phi_x(m_{ij})\in\mathbb{R}^C$，其中C是通道数的上界大小，$T_S(X,s)$ 如下计算：
其中 $s’\in\mathbb{R}^c$ 是 s的平均池化，window size C-c+1，stride=1，diag(·)是矩阵的对角元素
Information Exchanging between $G_E$ and $G_A$
抗原表位图 $G_E$ 和 抗体图 $G_A$ 是初始状态下不直接连接的，但模型需要在二者之间进行有效的信息交换，以优化 抗体-抗原结合（docking）。为了解决这个问题，dyMEAN 通过影子互补位（Shadow Paratope, $G_S$） 进行信息传递
- 第一阶段（Antibody Graph $G_A$ 处理）
- 先在 抗体图 $G_A$ 上运行 1 层 AME（1-layer AME）。
- 将计算得到的隐藏向量 $h_i$ 从抗体互补位（Paratope $G_P$）复制到影子互补位（Shadow Paratope GSG_SGS），使得 GSG_SGS 具有抗体互补位的关键信息。
- 第二阶段（Epitope Graph $G_E$ 与 Shadow Paratope $G_S$ 处理）
- 在 联合图 $G_E \cup G_S$ 上运行 1 层 AME，交换抗原表位和影子互补位之间的信息。
- 将影子互补位 $G_S$ 的隐藏向量 $h_i$ 反向复制回抗体互补位 $G_P$，使抗体获得抗原表位的信息。
- 重复交替计算
- 上述两步 交替执行 LLL 层，在抗原和抗体之间反复交换信息，确保二者的交互信息逐渐收敛。
- 之后，在 抗体图 $G_A$ 上额外执行 1 层 AME，以将更新的信息传播到整个抗体结构中。
dyMEAN 采用的 几何关系提取器（Geometric Relation Extractor, TR） 和 几何消息缩放器（Geometric Message Scaler, TS） 具有以下等变性属性：
- TR 是 $E(3)$-不变（E(3)-Invariant）：保证了计算的几何关系在旋转、平移、反射下保持不变。
- TS 是 $O(3)$-等变（O(3)-Equivariant）：确保在任何旋转下，消息传递保持等变性。
- 信息交换过程 $G_E ↔ G_A$ 通过 $G_S$ 进行，并且是 $E(3)$-不变的。
Prediction, Docking and Training Losses
Prediction
dyMEAN 采用 逐步全镜头解码策略（progressive full-shot decoding strategy） 进行 CDR-H3 1D 氨基酸序列 和 3D 结构 预测，并在 T 轮迭代中逐步优化：
dyMEAN 使用 多层感知机（MLP, Multi-Layer Perceptron） 进行 CDR-H3 的氨基酸预测：
隐藏状态 $h_i^{(t)}$ 在每轮迭代后都会更新：
其中 $f(s_i,r_i)=f_{s_i}+f_{r_i}$ 是抗体序列的嵌入，$p_i^{(t)}(j)$ 表示 CDR-H3 位置 i 处的氨基酸 j 的概率，$\phi_d(h_i^{(t)})$ 是memory term
每次迭代后，dyMEAN 重新计算 抗体图 $G_A$ 和抗原表位图 $G_E$ 之间的边，以更新其拓扑结构
Docking
最终迭代 结束后，dyMEAN 采用 Kabsch 算法（Kabsch, 1976） 进行抗体-抗原对接：
-
影子互补位 GSG_SGS 提供 抗体 CDR-H3 预测结构的参考对接点。
-
Kabsch 对齐的目标 是将 CDR-H3（$V_P$）调整到影子互补位（$V_S$）的位置，以优化抗原-抗体的对接关系。
Loss Function
使用 交叉熵损失（Cross-Entropy Loss） 监督 CDR-H3 氨基酸预测：
Huber 损失（Huber Loss） 用于训练 最终 3D 坐标：
此外，还添加了 化学键长监督损失：
最终的结构损失是两者相加
为了优化 抗体-抗原对接质量，dyMEAN 采用 两个额外损失：
**影子互补位坐标损失 **和 外部距离损失
最终的dock损失是两者相加
Experiments
dyMEAN 在 SAbDab 数据集 上训练，并使用 PyTorch 分布式计算框架 进行加速。
2.1. 训练超参数
训练细节
- 优化器：Adam
- 初始学习率：$1 \times 10^{-3}$，指数衰减 到 $1 \times 10^{-4}$。
- 批量大小（Batch Size）：16
- 训练轮数（Epochs）：
- CDR-H3 设计 & 亲和力优化：200 轮
- 复合物结构预测：250 轮
- 梯度更新策略：采用余弦调度（cosine schedule）降低学习率，以 防止模型过拟合。
Masking 机制
由于 CDR-H3 是主要变异区域，研究者采用 动态 Masking 训练策略：
- 初始阶段：保留 90% 互补位（paratope）残基 不被 Mask。
- 随着训练进行，逐步减少 Mask 率，使最终阶段 所有互补位残基均被 Mask，确保 模型可以在未知残基下生成合适序列。
数据集与实验设定
-
研究者提取了距离抗体最近的 48 个残基 作为抗原表位（epitope），这足以覆盖所有结合残基。
-
由于之前没有
端到端全原子抗体设计（end-to-end full-atom antibody design）的方法，研究者使用了一系列现有的竞争性方法
作为基线：
- IgFold (Ruffolo & Gray, 2022)：专门用于抗体结构预测的 AlphaFold 变体。
- HDock (Yan et al., 2020)：基于知识评分函数的 docking 方法。
- RosettaAb (Adolf-Bryfogle et al., 2018)：基于统计能量函数优化抗体序列和结构。
- MEAN (Kong et al., 2022)：基于等变注意力图网络（equivariant attention graph networks）的 CDR-H3 生成方法。
- Diffab (Luo et al., 2022)：基于扩散模型（diffusion model）的 CDR 生成方法，并考虑了侧链方向。
- HERN (Jin et al., 2022)：一个不需要结构预测、docking 和侧链优化的端到端抗体设计方法，但未考虑框架区建模（framework region modeling）。
Epitope-binding CDR-H3 Generation
目标：CDR-H3 是抗体中变异性最高 的区域，决定了抗体的结合特异性和亲和力（Raybould et al., 2019）。本实验的目标是预测 CDR-H3 的 1D 序列和 3D 结构。
评估指标
- Amino Acid Recovery (AAR)：生成的序列与真实序列的重叠比例。
- Contact AAR (CAAR)：仅计算与抗原表位距离小于 6.6Å 的 CDR-H3 残基的 AAR（Ramaraj et al., 2012）。
- TM-score：衡量生成的 CDR-H3 结构与真实结构的全局相似性（Zhang & Skolnick, 2004）。
- Local Distance Difference Test (lDDT)：基于原子间距离矩阵 评估生成结构与真实结构的相似性（Mariani et al., 2013）。
- RMSD（Root Mean Square Deviation）：计算 CDR-H3 绝对坐标的均方根偏差（未进行 Kabsch 对齐）。
- DockQ：综合衡量 docking 质量的指标（Basu & Wallner, 2016）。
📌 实验结果：
Table 1（CDR-H3 设计结果）：dyMEAN 的 AAR = 43.65%，TM-score = 0.9726，lDDT = 0.8454，DockQ = 0.409，在所有指标上均优于基线。
Complex Structure Prediction
目标：在给定 CDR-H3 序列的情况下，预测 整个抗体-抗原复合物的 3D 结构。
评估方法
研究者比较了 dyMEAN 与多个基线方法，包括：
- IgFold⇒HDock（基于 IgFold 预测骨架，再用 HDock 进行 docking）
- IgFold⇒HERN（HERN 进行 docking，再用 Rosetta 预测侧链）
- GT⇒HERN（HERN 直接使用真实结构进行 docking）
- dyMEAN（端到端全原子结构预测）
📌 实验结果（Table 2）
dyMEAN 在所有评估指标上超过基线方法
即使 HERN 使用真实抗体结构（GT⇒HERN），dyMEAN 仍然表现更优，表明其能 有效建模抗体-抗原的相互作用
Affinity Optimization
目标：优化抗体的序列，以 最大化与抗原的结合亲和力（binding affinity）。亲和力由 ΔΔG（结合自由能变化） 评估，较低 ΔΔG 代表更好的结合能力。
实验方法
- 使用 GNN-based predictor 计算 ΔΔG（Shan et al., 2022）。
- 采用 FoldX 作为亲和力打分工具。
- 衡量 ΔL（突变残基的数量），以确保优化不会造成过度突变。
📌 实验结果（Table 3）
dyMEAN 在 ΔΔG 下降幅度上优于 MEAN 和 DiffAb，同时保持较低的 ΔL
相比 MEAN（ΔΔG = -5.84，ΔL = 5.09）和 DiffAb，dyMEAN 的亲和力优化能力更强
Analysis
Ablation Study
研究者对 dyMEAN 进行了消融实验，以分析各组件的贡献。
📌 实验结果（Table 4）
- T 主要影响 docking 性能，T=3 是最优选择。
- 移除全原子建模后，整体性能大幅下降，表明 侧链构象在建模中至关重要。
- 移除影子互补位共享后，所有指标（除了 CAAR）均明显下降，表明该机制对结构生成和 docking 至关重要。
- 去除可学习通道权重后，模型表现下降，表明通道权重类似于注意力机制（attention），对不同通道信息赋予不同的重要性。
- 记忆机制对 CDR-H3 设计有帮助，但对复合物结构预测影响较小，因为 CDR-H3 生成时，隐状态受记忆机制影响较大，而 3D 坐标则直接传播。
- $L_{dist}$ 对 docking 任务至关重要，研究者推测仅靠坐标无法在早期迭代正确恢复影子互补位的结构
Multiple CDRs Design and Full Antibody Design
多个 CDR 设计（Multiple CDRs Design）：在 CDR-H1、H2、H3 和 L1、L2、L3 全部 masked 的情况下进行生成。
完整抗体设计（Full Antibody Design）：生成 包括框架区（Framework Regions, FRs）在内的完整抗体。
Limitations
Data Diversity and Evaluation Metrics
目前，深度生成模型在抗体设计任务中仍然面临挑战，其中 抗原-抗体数据的多样性不足 是主要问题之一。
研究者分析了训练集中 CDR-H3 每个位置最常见的单字母氨基酸模式，并对其从 两端向中间匹配，发现了一个 高频模式 “ARDG***DY”，其中大部分 “*” 位置都是 Y。
-
使用该单字母模式在测试集中计算 AAR，得到：AAR = 39.61%，CAAR = 26.57%
-
这表明：无意义的 unigram 模式在训练集和测试集中占据主导地位，可能会影响模型学习抗原-抗体相互作用的能力。
-
去除 CDR-H3 的前 4 个和后 2 个残基后，dyMEAN 的 AAR 下降至 31.76%，这表明 高频 unigram 模式影响了抗体序列预测的评估标准。
这些现象表明：
- 现有数据集可能需要增强（例如，通过实验室数据扩增，或者从更广泛的蛋白复合物中提取类似界面）。
- 现有的评估指标可能需要改进，例如：
- 排除可以通过 unigram 预测正确的残基，以减少数据偏差的影响。
- 引入更复杂的评估方法，以更准确衡量抗体-抗原相互作用的合理性。
Reliability of Computational Energy Functions
最终，抗体的结合亲和力（binding affinity）决定了生成的候选抗体是否具有实际价值。本研究中，dyMEAN 采用 深度学习预测器计算 ΔΔG（结合自由能变化） 作为亲和力的度量方式。然而，研究者指出当前计算能量函数仍存在以下问题：
基于统计的能量计算方法：FoldX (Schymkowitz et al., 2005)，Rosetta (Alford et al., 2017)，Docking 软件中的打分函数（Goodsell et al., 1996）
问题与挑战
- 这些计算能量函数的 可靠性仍然存在不确定性，其中一些方法已知与实验结果的相关性较低（Ramírez & Caballero, 2016, 2018）。
- 研究者提出了两个关键问题：
- 这些能量函数是否能够区分结合能力较弱的复合物？
- 这些能量函数（通常基于天然复合物数据训练）是否能够推广到深度学习生成的复合物？（即，深度学习模型可能会生成具有不同统计分布的复合物，而计算能量函数未必适用）
结论
- 如果没有可靠的计算能量函数，抗体设计仍然需要湿实验评估（wet-lab evaluation），然而这会 增加成本和时间开销。
- 未来的研究需要开发更具泛化性的亲和力预测器，以提高深度学习驱动的抗体设计的可靠
