AI抗体设计：从入门到精通_冯志炜、薛颖主编_9787122503251

《AI抗体设计：从入门到精通》是一本系统阐述人工智能技术在抗体药物研发领域中前沿应用的指南。
全书内容层层递进，首先详细解析了如何利用AlphaFold、RoseTTAFold等先进工具进行抗体/抗原的精准结构建模，为后续设计奠定基础。随后，深入探讨了抗体-抗原结合模式的预测策略，涵盖了ClusPro、AF2Complex及最新的AlphaFold3等关键平台的使用与解析。在序列设计核心环节，本书重点剖析了信息传递网络及其在抗体领域的专用模型AntiBMPNN，以及颠覆性的扩散模型，指导读者实现从序列优化到蛋白骨架从头设计的跨越。此外，本书专设章节详解了AI在抗体人源化设计与亲和力成熟方面的突破性进展，介绍了如BioPhi、GearBind等实用工具，有效解决药物开发的免疫原性与效能瓶颈。最后，还前瞻性地探讨了如ChatGPT/DeepSeek等大型语言模型在辅助科研脚本编写与数据处理中的创新应用。
本书理论与实践并重，案例丰富，步骤详尽，可供生物信息学、计算生物学以及抗体药物研发领域科研人员与从业者参考。

第1章传统抗体设计、计算机辅助抗体设计及AI抗体设计 1.1 抗体简述 001 1.2 抗体类型 002 1.2.1 单克隆抗体 002 1.2.2 纳米抗体 003 1.2.3 抗体偶联药物 004 1.2.4 双特异性抗体 005 1.2.5 三特异性抗体 006 1.3 传统抗体设计的主要技术 006 1.3.1 基于体内免疫的方法 006 1.3.2 基于体外展示的筛选方法 007 1.3.3 基于单细胞分析的方法 007 1.3.4 基于原生B细胞库的抗体筛选方法 008 1.3.5 抗体人源化 008 1.3.6 亲和力成熟 008 1.4 计算机辅助抗体设计 009 1.4.1 抗体/抗原的结构建模 009 1.4.2 抗体与抗原结合位点的预测 009 1.4.3 抗原-抗体复合物结构预测 010 1.4.4 抗体人源化 010 1.4.5 抗体亲和力提升 010 1.5 AI辅助抗体设计 011 1.5.1 全新设计CDR3 011 1.5.2 CDR1、CDR2、CDR3综合优化 011 1.5.3 AI模型生成序列 011 1.5.4 AI抗体人源化设计 012 1.5.5 AI抗体亲和力成熟 012 1.6 本章结语 013 第2章抗体/抗原的结构建模 2.1 同源建模的技术原理 016 2.1.1 同源建模的具体方法和流程 016 2.1.2 同源建模的优势与局限性 019 2.1.3 深度学习驱动的结构建模：AlphaFold与RoseTTAFold 019 2.2 SWISS-MODEL 020 2.2.1 模板搜索和选择过程 021 2.2.2 模型构建过程 022 2.2.3 结构评估与验证 022 2.2.4 模型优化与序列叠合问题 023 2.3 RoseTTAFold 023 2.3.1 核心技术原理 024 2.3.2 在线预测步骤 024 2.4 AlphaFold 026 2.4.1 核心功能及原理 026 2.4.2 已知的AlphaFold预测结构 027 2.4.3 在线使用AlphaFold2/3进行预测 028 2.5 本章结语 030 第3章抗原-抗体结合模式预测 3.1 蛋白质-蛋白质结合模式预测的原理 034 3.1.1 蛋白质-蛋白质对接的原理 034 3.1.2 蛋白质-蛋白质对接的详细流程 035 3.1.3 构象搜索与评分 035 3.1.4 结果优化与验证 036 3.1.5 AlphaFold在蛋白质-蛋白质对接中的应用 036 3.1.6 蛋白质-蛋白质对接的工具与软件 037 3.2 ClusPro 037 3.2.1 算法概述及工作原理 037 3.2.2 服务器（网站）的使用方法与步骤 038 3.2.3 技术优势 040 3.2.4 局限性 041 3.3 AlphaFold Server 041 3.3.1 概述 041 3.3.2 使用方法与步骤 041 3.4 AF2Complex 045 3.4.1 概述 045 3.4.2 下载AF2Complex 045 3.4.3 下载遗传数据库 046 3.4.4 下载其他组件 050 3.4.5 案例演示1：gp120与J3用AF2Complex建模 056 3.4.6 案例演示2：利用AF2Complex进行CD276与抗体库的筛选 062 3.5 AlphaFold3 068 3.5.1 AlphaFold3的本地安装 068 3.5.2 AlphaFold3运行 070 3.5.3 AlphaFold3的结果解读 076 3.5.4 AlphaFold3进行CD276与抗体库的筛选 079 3.6 本章结语 082 第4章信息传递神经网络蛋白质序列设计 4.1 MPNN的原理及框架 084 4.1.1 原理 084 4.1.2 框架 084 4.2 ProteinMPNN的搭建及调试 086 4.2.1 环境准备 086 4.2.2 克隆项目并创建运行环境 087 4.2.3 输入文件格式 087 4.2.4 运行示例 087 4.3 ProteinMPNN的主要功能代码 088 4.3.1 示例代码 088 4.3.2 帮助脚本 089 4.4 ProteinMPNN的结果解析 089 4.4.1 训练和测试结果 089 4.4.2 ProteinMPNN的实验验证 091 4.4.3 ProteinMPNN结果解读 092 4.5 本章结语 094 第5章 AntiBMPNN抗体序列设计 5.1 训练集的采集及处理 096 5.1.1 下载抗体/纳米抗体的结构 096 5.1.2 清理数据 097 5.1.3 去掉重复数据 102 5.2 训练集从.pdb 到.pt格式转换的处理过程 104 5.2.1 将 .pdb 转换为 .cif 格式 104 5.2.2 通过 GitHub 下载 PDBX 110 5.2.3 使用Bash脚本转化为.pt文件 112 5.3 训练数据的构建 114 5.4 抗体数据集的训练策略及步骤 114 5.5 参数的调整 118 5.6 骨架噪声对模型输出结果的影响 123 5.7 AntiBMPNN架构与训练性能 125 5.8 纳米抗体及抗体的序列恢复度 127 5.9 AntiBMPNN的打分函数 127 5.10 本章结语 128 第6章 AntiBMPNN及RFantibody 6.1 AntiBMPNN的部署及测试 129 6.1.1 安装说明 129 6.1.2 设计新的抗体序列 131 6.2 基于实验数据的AntiBMPNN与现有抗体序列设计方法的比较分析 132 6.3 RFantibody 133 6.3.1 RFantibody的安装及部署 134 6.3.2 运行 antibody_pdbdesign_modi.sh进行CDR设计 136 6.3.3 ProteinMPNN进行序列设计 138 6.3.4 RF2评估并筛选获选序列 139 6.3.5 HLT 文件格式 140 6.4 本章结语 141 第7章扩散模型蛋白质序列从头设计 7.1 扩散模型的原理及框架 144 7.1.1 扩散模型的扩散框架 144 7.1.2 预测过程 144 7.1.3 加噪与去噪过程 144 7.1.4 损失函数计算 145 7.1.5 自条件化训练技巧 145 7.2 RFdiffusion的搭建及调试 145 7.2.1 克隆RFdiffusion仓库 145 7.2.2 下载模型权重文件 146 7.2.3 安装SE3-Transformer 147 7.2.4 获取PPI支架示例 147 7.2.5 运行扩散脚本 147 7.2.6 基本执行-无条件单体设计 148 7.2.7 图案支架构建 149 7.2.8 部分扩散 151 7.2.9 结合体设计 152 7.2.10 结合体设计的实际考虑 154 7.2.11 对称寡聚物的生成 158 7.2.12 Docker 161 7.3 RFdiffusion的案例解析 162 7.3.1 无条件蛋白质单体生成 162 7.3.2 高阶对称寡聚体生成 162 7.3.3 功能位点支架设计 163 7.3.4 蛋白质与肽结合体从头设计 163 7.4 本章结语 163 第8章抗体序列人源化AI设计 8.1 抗体人源化的概述 165 8.1.1 AI抗体人源化设计的原理 166 8.1.2 抗体人源化设计的主要流程及步骤 166 8.1.3 人工智能辅助抗体人源化工具 167 8.2 BioPhi人源化设计平台 168 8.2.1 技术原理 168 8.2.2 应用 168 8.2.3 平台特点 169 8.2.4 算法框架 169 8.2.5 在线平台 171 8.3 CUMAb抗体人源化与智能设计平台 176 8.3.1 概述 176 8.3.2 应用与功能 177 8.3.3 平台特点 177 8.3.4 算法框架 177 8.3.5 在线平台 180 8.4 HuDiff基于深度学习的抗体人源化工具 182 8.4.1 简介 182 8.4.2 Conda 环境 183 8.4.3 HuDiff-Ab的搭建及模型训练 183 8.4.4 人源化设计 185 8.5 本章结语 186 第9章 AI抗体亲和力成熟度 9.1 抗体亲和力成熟的概述 189 9.1.1 体外亲和力成熟的需求与意义 189 9.1.2 体外亲和力成熟的实验方法与技术挑战 189 9.1.3 计算方法在亲和力成熟研究中的应用 190 9.1.4 数据限制与AI模型的进展 190 9.1.5 AI驱动的亲和力成熟案例及启示 190 9.2 亲和力成熟度计算的原理 191 9.2.1 亲和力的定义与理论基础 191 9.2.2 分子模拟中的计算方法 191 9.2.3 统计能量函数 192 9.2.4 基于人工智能的计算方法 192 9.2.5 亲和力成熟的优化策略 192 9.2.6 实验验证与反馈迭代 192 9.3 AntiBERTy 193 9.3.1 概述 193 9.3.2 技术框架 193 9.3.3 工作原理 193 9.3.4 在亲和力成熟中的应用 194 9.3.5 安装 194 9.4 GearBind 200 9.4.1 GearBind模型的设计与多层次几何信息传递 200 9.4.2 自监督预训练与泛化能力增强 201 9.4.3 模型性能与架构设计分析 201 9.4.4 集成模型的优势与贡献分析 201 9.4.5 HER2结合体测试集上的表现 201 9.4.6 CR3022和anti-5T4 UdAb的亲和力成熟实验 202 9.4.7 GearBind安装及应用 202 9.5 本章结语 204 第10章 ChatGPT/DeepSeek在抗体设计中的应用 10.1 ChatGPT的概述 207 10.2 ChatGPT的原理 207 10.2.1 Transformer架构 207 10.2.2 预训练和微调 208 10.2.3 自注意力机制 209 10.2.4 文本生成和调节层 209 10.2.5 模型参数和扩展性 209 10.2.6 应用与限制 209 10.3 Ollama、vLLM及DeepSeek的安装与使用 210 10.3.1 安装WSL（Windows Subsystem for Linux） 210 10.3.2 进入 WSL 环境并设置根目录 211 10.3.3 下载 Ollama 平台 211 10.3.4 启动和管理 Ollama 211 10.3.5 下载DeepSeek模型 215 10.3.6 安装图形界面 Open WebUI 215 10.3.7 vLLM+Open WebUI 225 10.4 ChatGPT/DeepSeek在抗体数据处理中的脚本生成及解析 233 10.4.1 单个请求的ChatGPT/DeepSeek生成脚本 233 10.4.2 多次请求生成并修改脚本 234 10.4.3 ChatGPT/DeepSeek生成的.cif.gz分类文件 239 10.4.4 ChatGPT/DeepSeek生成统计 .pdb 文残基数量并移动特定文件 240 10.4.5 ChatGPT/DeepSeek生成统计 .pdb 文残基数量并复制符合条件的文件 241 10.4.6 ChatGPT/DeepSeek生成脚本将抗体的数据集随机分割为训练、验证和测试集 243 10.4.7 ChatGPT/DeepSeek生成读取日志文件并绘制训练与验证曲线以比较困惑度 244 10.4.8 ChatGPT/DeepSeek生成读取日志文件并绘制训练与验证曲线以比较准确率 247 10.4.9 ChatGPT/DeepSeek生成统计 .pdb 文残基数量并移动特定文件 250 10.4.10 ChatGPT/DeepSeek生成SeqLogo的图片 253 10.4.11 ChatGPT/DeepSeek生成脚本来处理.fas文件到.json文件以便进行AlphaFold3 259 10.5 本章结语 262

你还可能感兴趣

AI抗体设计：从入门到精通

我要评论