.png){kind=icon}
返回
A surrogate-assisted multi-objective optimization algorithm for antibody design with multi-source datasets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102526.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
抗体设计在治疗性药物开发中扮演着关键角色，可以表述为一个多目标优化问题，其中需要同时优化多个具有强权衡关系的理想生物物理特性。由于评估这些特性的计算成本高昂，优化过程中新产生的抗体无法直接评估，而是通过代理模型进行估计。然而，用于训练代理模型的数据有限，且来源于不同实验标准的数据源，导致预测精度难以保证，可能误导多目标优化过程。为解决此问题，本文提出一种基于代理模型的多目标优化算法，充分利用有限的多元数据集。该方法整合了由全局代理模型指导的进化搜索阶段和由局部代理模型指导的局部优化阶段，从而有效提升优化性能。计算实验表明，所提方法显著优于当前最先进的离线多目标基准算法，实现了更优的超体积值，并持续识别出多样化的高质量抗体变体。Rosetta ddG模拟显示，93.8%的优化变体比先前报道的最优抗体具有更低的结合自由能，超过50%的变体在抗体-抗原结合位点分析中保持了相当的特异性。结构建模分析进一步揭示了优化变体在分子水平上增强的亲和力和特异性。
Keyword:
Antibody design
Surrogate-assisted evolutionary algorithm
Multi-objective optimization
