编辑 | 任圣杰

审核 | 王紫嫣

摘要

今天介绍一篇发表在 bioRxiv 预印本、题为 “Folding scFv–Antigen Complexes at Scale” 的研究。该研究关注一个在抗体设计中非常核心、但长期缺乏大规模系统评估的问题：现有结构预测模型在 单链抗体片段–抗原复合物，即 scFv–Ag complex 上，到底能否可靠恢复正确的结合界面？

抗体–抗原复合物结构预测并不只是“把每条链折对”。对于抗体设计而言，更关键的是抗体的结合区域是否真正对准抗原表位，界面接触是否接近真实结构。本文作者基于 SAbDab 数据库构建了一个名为 SCALE（scFv–Ag CompLex Ensembles） 的大规模评测数据集：从 3,800 个实验解析的抗体–抗原复合物出发，将其标准化为 scFv–抗原序列对，并使用 AlphaFold 2.3 Multimer、AlphaFold 3、Boltz-2、Chai-1 和 Pairmixer 等模型，在不同随机种子、recycling 次数、MSA 和模板设置下生成约 200,000 个预测复合物。

研究发现，现代结构预测模型虽然有时能够在预测集合中采样到接近正确的抗体–抗原界面，但这些正确或近正确结构往往出现频率较低。更重要的是，现有置信度指标，如 ipTM、ipSAE、pDockQ2 和 AbEpiScore，能够较好地区分“整体容易预测”和“整体困难预测”的复合物，却难以在同一个复合物的多个候选结构中稳定选出最佳界面。

这意味着，当前抗体结构预测和抗体设计流程的核心瓶颈，可能不只是生成结构本身，而是如何从大量候选结构中准确筛选出真正可靠的抗体–抗原结合构象。

背景

抗体是现代生物医药中最重要的一类分子工具之一。从肿瘤治疗、自身免疫疾病，到感染性疾病诊断，抗体都依赖其高度特异性的分子识别能力发挥作用。对于抗体而言，真正决定功能的并不只是抗体自身是否折叠正确，而是它能否以正确的姿态结合抗原。

在抗体–抗原复合物中，抗体一侧参与结合的区域通常被称为 paratope（互补位），抗原一侧被识别的区域称为 epitope（表位）。如果预测模型把抗体单体结构折得很好，但抗体没有对准真正的表位，或者 CDR loop 的几何构象略有偏差，最终得到的复合物结构仍然可能无法反映真实结合模式。

近年来，AlphaFold 系列模型以及后续的多种结构预测模型显著推动了蛋白结构预测的发展。AlphaFold Multimer 将单体结构预测扩展到蛋白复合物，AlphaFold 3、Chai-1、Boltz-2、Pairmixer 等模型进一步提升了多分子相互作用建模能力。然而，抗体–抗原复合物仍然是一个特别困难的场景。其难点主要来自两个方面：一是抗体 CDR（complementarity-determining regions，互补决定区） 高度可变、构象灵活；二是复合物预测还需要同时解决抗体 paratope 与抗原 epitope 之间的全局对接方向。

本文关注的 scFv（single-chain variable fragment，单链可变片段） 是一种常见抗体格式。它通常由抗体重链可变区 VH、柔性 linker 和轻链可变区 VL 串联组成，既保留抗原结合能力，又比完整 IgG 或 Fab 更紧凑，因此广泛用于治疗、诊断和展示筛选技术中。然而，现有关于 scFv–抗原复合物结构预测的大规模评估仍然不足。本文正是在这一背景下提出 SCALE，希望用系统化、大规模、多模型、多推理设置的方式回答一个实际问题：当前模型在 scFv–Ag 复合物预测中到底失败在哪里？

方法框架

本文的核心并不是提出一个新的折叠模型，而是构建一个大规模、标准化的评测框架，用来系统评估现有结构预测模型在 scFv–抗原复合物上的表现。整个流程可以概括为三步：数据构建、结构预测、界面评估。

首先，作者从 SAbDab 数据库中筛选实验解析的抗体–抗原复合物。原始数据包含 10,133 个 PDB 条目，经过单抗原链筛选、VH/VL 链要求筛选以及去重后，最终得到 3,800 个唯一的 scFv–Ag 序列对。

在 scFv 构建过程中，作者从实验结构中提取抗原链、抗体重链和轻链序列，并利用 ANARCI 工具和 IMGT 编号体系识别 VH 与 VL 区域。随后，将 VH、柔性 glycine–serine linker，即 (GGGGS)3，以及 VL 串联起来，形成标准化的 scFv 序列。换句话说，原本的 mAb 或 Fab 结构被转换为统一格式的 scFv–抗原输入。

随后，作者使用多个主流结构预测模型对这些 scFv–Ag 序列对进行共折叠预测，包括 AlphaFold 2.3 Multimer、AlphaFold 3、Boltz-2、Chai-1 和 Pairmixer。为了模拟不同推理条件，作者系统改变随机种子、recycling 次数、抗体 MSA 是否加入、结构模板是否使用等因素。最终，SCALE 中包含 197,900 个预测复合物，覆盖五类模型和多种推理设置。

最后，作者使用 DockQ 评价预测复合物与实验结构之间的界面一致性。DockQ 是蛋白–蛋白对接领域常用的界面质量指标，综合考虑 native contacts 恢复情况、interface RMSD 和 ligand RMSD，分数范围为 0 到 1。通常 DockQ < 0.23 被认为是错误界面，0.23–0.49 为可接受界面，0.49–0.80 为高质量界面，0.80–1.00 为近天然界面。

图注： Figure 1 展示了 SCALE 数据集的构建流程。左侧是实验数据整理：从 mAb 或 Fab 结构中截取 VH 和 VL，并通过 glycine–serine linker 连接为标准化 scFv；右侧是结构预测流程：对每个 scFv–抗原序列对进行多次共折叠预测，生成包含不同对接姿态的结构集合，并与实验参考结构进行比较。该图适合作为“方法框架”部分的核心配图。

实验结果

一、大规模预测结果：多数候选结构的抗体–抗原界面质量仍然偏低

在构建 SCALE 后，作者首先评估了不同结构预测模型生成高质量 scFv–Ag 复合物的能力。结果显示，尽管模型已经具备较强的单体结构预测能力，但在抗体–抗原界面恢复上仍存在明显挑战。

在全部 197,900 个预测复合物中，大量预测结构的 DockQ 分数非常低。具体来看，AlphaFold 2.3、AlphaFold 3、Boltz-2、Chai-1 和 Pairmixer 分别生成了 3,788、59,595、22,764、3,779 和 107,974 个预测结构。其中达到 near-native 标准，也就是 DockQ > 0.8 的结构数量分别为 144、8,183、6,367、475 和 6,854；而超过可接受界面阈值 DockQ > 0.23 的结构数量分别为 761、22,141、12,217、1,279 和 27,509。

这些结果说明，即使使用多链模板、MSA、最多 10 次 recycling 以及大量随机种子采样，当前模型仍然不能稳定生成高质量的 scFv–抗原结合界面。对于抗体设计而言，这一点非常关键：预测结构看起来完整，并不意味着其抗原结合界面是正确的。

图注： Figure 2a 展示了所有预测 scFv–抗原复合物的 DockQ 分布。左侧为 VH–Target 界面，右侧为 VL–Target 界面。可以看到，大量预测集中在低 DockQ 区间，说明多数候选结构并未恢复正确的抗体–抗原界面。该图直观展示了当前结构预测模型在 scFv–Ag 复合物上的整体困难。

二、Best-of-N 有帮助，但并不能完全解决问题

随后，作者不再看全部预测结构，而是对每个 scFv–抗原复合物的预测集合取“最佳预测”。这相当于问一个更宽松的问题：只要模型多预测几次，是否总能在候选集合中产生一个可用结构？

结果显示，best-of-ensemble 确实能显著改善结果。Figure 2b 中的 DockQ 分布呈现出明显的双峰特征，一部分复合物能够得到较高质量预测，另一部分仍然集中在低质量区间。然而，即便在这种最有利的设置下，仍有 879 个 scFv–抗原复合物在所有测试条件下都无法达到 DockQ > 0.23；相反，只有 256 个复合物能够在所有条件下稳定超过这一阈值。

这说明当前模型并不是完全没有能力预测 scFv–抗原界面，而是表现非常不稳定。对于一部分目标，增加采样次数或调整推理设置能够显著提升最佳结果；但对于大多数目标，增加随机种子带来的提升有限。这也揭示了一个更实际的问题：如果正确结构只是偶尔出现在候选集合中，那么真正决定下游效果的，往往是能否把它从大量错误结构中挑出来。

图注： Figure 2b 展示了每个 scFv–抗原复合物在预测集合中的最佳 DockQ 分布。相比 Figure 2a，best-of-ensemble 结果明显更好，说明足够采样时模型有时能产生接近正确的界面。但仍有大量复合物无法得到可接受预测，表明生成高质量抗体–抗原界面仍然不是一个稳定解决的问题。

三、置信度指标的真正短板：能分出“难易”，却选不准“最好”

在实际抗体设计流程中，研究人员通常不能直接使用 DockQ，因为 DockQ 需要已知实验结构作为参考。真正可用的是模型自带或后处理得到的置信度指标，例如 ipTM、ipSAE、pDockQ、pDockQ2 和 AbEpiScore。

本文作者进一步评估了这些指标能否从同一个 scFv–抗原复合物的多个候选结构中选出最佳结构。结果非常值得关注：这些指标在全局层面与 DockQ 有较高相关性，但在单个复合物内部进行候选结构重排序时表现明显下降。

例如，pDockQ2 的 global Spearman 相关系数达到 0.74，说明如果把所有复合物的所有预测结构混在一起看，它与 DockQ 的整体排序关系并不差。但它在每个复合物内部的平均 Spearman 相关只有 0.31，Top-1 准确率只有 0.13。也就是说，在同一个目标的多个候选结构中，pDockQ2 只有约 13% 的情况下能把真正 DockQ 最高的结构排在第一位。ipTM、ipSAE 等指标也存在类似问题。

这一区分非常重要。全局相关性高，代表指标能大致判断哪些目标整体容易、哪些目标整体困难；但抗体设计真正需要的是对同一个候选池进行精细筛选，选出最可信的结合构象。本文结果表明，现有置信度指标在这一任务上仍然不够可靠。

图注： Table 2 比较了 ipTM、ipSAE、pDockQ、pDockQ2 和 AbEpiScore 在预测结构排序任务中的表现。表中同时报告了 global correlation、per-complex average correlation 和 Top-k 结果。该表清楚显示，现有置信度指标虽然在全局层面与 DockQ 有一定相关性，但在同一复合物内部选择最佳候选结构时准确率较低，提示候选结构重排序仍是关键瓶颈。

四、高 pLDDT 不等于界面正确：单体可信与复合物可信并不一致

本文还总结了多个推理设置下的一致规律。首先，较高的单链置信度并不代表四级复合物结构准确。许多预测结构具有较高的 pLDDT，但抗体–抗原界面 DockQ 仍然很低。这说明模型可能很好地预测了每条链的局部或整体折叠，却没有正确解决链与链之间的相对取向和结合界面。

其次，增加 recycling 次数主要改善的是 best-case 性能，而不是典型预测的整体表现。换言之，更多 refinement 有时可以把少数结构推向 near-native，但并不能系统性抬高中位数 DockQ。第三，抗体 MSA 的加入会提高采样高质量界面的概率，尽管从生物学角度看，抗体可变区主要来自免疫多样化，并不完全依赖长期进化保守信号。

此外，作者还发现部分基于物理的界面特征，如 PyRosetta 提取的形状互补性和估计结合能，在预测结构排序中与常用置信度指标表现相近。这提示未来的 reranker 可能不应只依赖模型自带置信度，而应结合界面几何、能量、接触模式等物理与结构信息。

图注： Figure 11 展示了单链结构置信度与复合物界面质量之间的脱钩现象。许多预测结构虽然具有较高 pLDDT，但 DockQ 仍然较低，说明“链折得好”并不等于“抗体–抗原界面对得准”。该图适合用于强调抗体复合物预测中四级结构准确性的重要性。

图注： Figure 9 展示了抗体 MSA 对预测结果的影响。作者发现，加入抗体 MSA 能提高采样到高质量界面的可能性，但这一现象也提示模型可能仍在利用一些不完全符合抗体生物学直觉的辅助信息。该图可用于讨论 inference-time setting 对预测结果的影响。

总结

本文通过 SCALE 数据集，对 scFv–抗原复合物结构预测进行了大规模、系统化评估。与许多单纯比较模型平均性能的 benchmark 不同，该研究更关注真实抗体设计流程中的核心问题：模型是否能生成正确界面，以及现有置信度指标是否能从候选集合中选出正确界面。

本文的主要贡献可以概括为三点。

第一，作者构建了一个标准化的大规模 scFv–Ag 结构预测评测框架。该框架从 SAbDab 中整理出 3,800 个 scFv–抗原序列对，并生成约 200,000 个预测复合物，为分析不同模型、采样策略和辅助输入对界面质量的影响提供了基础。

第二，本文揭示了当前结构预测模型在抗体–抗原界面预测中的不稳定性。模型有时能够在候选集合中产生接近正确的界面，但这种结构往往出现频率较低。对于很多目标，即使增加随机种子、recycling、MSA 和模板信息，也不能保证得到可接受的结合界面。

第三，本文明确指出了候选结构重排序的瓶颈。ipTM、ipSAE、pDockQ2 等指标可以用于粗粒度地区分容易和困难目标，但在同一目标内部选择 best-of-N 结构时表现不足。这对于抗体设计具有直接启发：未来的抗体结构预测流程不仅需要更强的生成模型，也需要更可靠的界面级 reranker。

当然，本文也存在一些需要注意的局限。该研究主要聚焦 scFv–抗原复合物，结论是否能完全推广到完整 IgG、Fab、纳米抗体或更复杂多链体系，还需要进一步验证。SAbDab 数据本身也存在一定结构冗余，不同模型训练数据的时间截止点不同，可能影响公平比较。此外，本文是 benchmark 和分析工作，并未提出新的抗体复合物预测模型或进行新的湿实验验证。

总体来看，这项研究的重要价值不在于宣称某个模型“最好”，而在于把抗体–抗原结构预测中的真实瓶颈拆解得更加清楚：当前模型并非完全不能生成正确界面，但正确界面出现得不稳定；现有置信度指标并非完全无效，但难以完成精细的候选结构筛选。对于后续抗体结构预测、抗体生成筛选和界面 reranker 设计而言，SCALE 提供了一个非常有参考价值的评测基础。

原文及代码

原文：https://www.biorxiv.org/content/10.64898/2026.07.01.730981v1

代码：https://huggingface.co/datasets/ravishah1/SCALE

本公众号主要介绍应用于图、知识图谱的人工智能算法和研究进展，及其在生物信息、医学健康领域的应用。欢迎关注本公众号获取领域最新文献解读。