牛津团队百万级数据研究揭示，抗体-抗原AI预测的关键在于数据量与多样性，而非模型架构本身。强调未来AI药物研发需更多高质量数据。
原文标题：牛津团队推出百万级数据抗体-抗原模型，超大模型的上限到底在哪里？
原文作者：数据派THU
冷月清谈：
为攻克这一难题，研究团队大胆构建了接近百万个FoldX生成数据与两万余个合成数据集。此举不仅显著提升了Graphinity在交叉验证中的性能（r=0.89），更重要的是，它揭示了AI预测ΔΔG的关键在于充足且多样的数据量。团队发现，要达到类似0.85的预测准确度，至少需要90,000个突变数据。研究还强调，数据质量上的多样性比单纯的数量堆砌更重要，特别是抗体序列和氨基酸替换类型的丰富度。最终，Graphinity在近四万个实验数据测试中表现出色，ROC AUC达0.90。
文章核心结论在于，当前抗体-抗原 ΔΔG 预测面临的主要挑战并非模型架构的限制，而是可用的实验数据量与多样性远远不足。这提示未来研究应着重于“机器学习级别的数据”的生成与获取，以推动通用亲和力预测的发展。
怜星夜思：
2、文章里提到团队用了“FoldX生成数据”，这种合成数据在训练AI模型时虽然量大，但毕竟不是真实实验数据，会不会引入一些“偏见”或者“不精准”的地方？大家怎么看合成数据在科学研究，特别是生物医药这种对精度要求很高的领域，它的真实价值和局限性？
3、抗体药物研发周期长、成本高昂，AI预测模型无疑是个超级潜力股。但从文章看，数据获取依然是最大瓶颈。除了传统的湿实验室实验，大家觉得未来还有哪些方式能高效、低成本地获取高质量的生物医药数据，来喂饱这些AI模型呢？
原文内容
来源：ScienceAI本文约1800字，建议阅读5分钟近日，牛津大学的研究团队开发了 Graphinity，一种直接从抗体-抗原结构构建的等变图神经网络架构。
抗体药物是抗癌、抗病毒的「利器」，但其疗效好坏，核心看抗体与抗原的结合强度（ΔΔG）。长期以来，这个关键指标的预测难住了无数科研人员 —— 要么靠昂贵的实验测量，要么依赖 AI 模型却因数据不足屡屡翻车。
近日，牛津大学的研究团队开发了 Graphinity，一种直接从抗体-抗原结构构建的等变图神经网络架构，虽然在 ΔΔG 预测上的测试皮尔逊相关系数（Pearson Correlation Coefficient）——r可达 0.87，但也同样陷入了过拟合的困境。
故而，他们构建接近 100 万个 FoldX 生成与超过两万个合成数据集，以研究预测 ΔΔG 所需的数据量和类型。
他们的研究以「Investigating the volume and diversity of data needed for generalizable antibody–antigen ΔΔG prediction」为题，于 2025 年 7 月 8 日刊登在《Nature Computational Science》
论文链接：https://www.nature.com/articles/s43588-025-00823-8
为何抗体开发困难重重
抗体通过特异性结合靶抗原来介导其生理和治疗功能。因此，在确定和优化先导候选物时，控制亲和力是主要考虑因素，但是传统亲和力定量实验慢得让人抓狂，于是大家只能将希望那个寄托在 ML 上。
FoldX、Rosetta Flex ddG 靠物理方程+经验参数，跑一个突变几分钟到几小时，精度随缘。
早期 ML 在 AB-Bind 645 突变或 SKEMPI 608 突变上「看似封神」，实则是「见过这道题」。一旦按抗体/抗原序列相似度严格切分，r 直接掉到 0.17–0.26，比瞎猜好不了多少。
团队推出的 Graphinity 将野生型（WT）和突变抗体–抗原复合物的结构作为输入，通过 Siamese EGNN 处理相应的图表示，并预测 ΔΔG。
图 1：Graphinity 架构和合成数据集准备。（图源：论文）
实验的数据集包含来自 29 个复合物的 645 个单点突变，并且实验模型在 10 折交叉验证中达到了惊人的 r= 0.87 。但团队提出，这只是过拟合的结果，而不是真正的学习。
当他们决定把互补决定区（CDR）序列同源性截止值设为 100%长度匹配，r 平均下降了 63%。
图 2：Graphinity 模型在ΔΔG 预测中的性能。（图源：论文）
症结总结到最后其实就是一句话：实验数据太少、太偏。于是实验研究者们决定——开闸防水！先造它个一百万数据，看看 ML 到底需要多大的胃口才能吃饱。
合成超大数据集
团队通过使用 FoldX 对结构抗体数据库（SAbDab）中结构解析复合物的界面进行穷尽突变，生成了近 100 万 ΔΔG 数据点。虽然说 FoldX 使用物理方程和经验测量来生成结合亲和力的预测，并不完全真实，但其捕捉了分子相互作用的关键特征。
在此基础上，Graphinity 在 10 折交叉验证中实现了 r=0.89（90% CDR 序列相似度划分）。这已经取得了显著的成果，那么接下来就是量化准确预测实验值所需的数据量。
测试皮尔逊相关系数 r 仅在使用至少 90,000 个突变进行训练的模型中才开始趋于平稳，达到 0.85，这还是在总计投放了 94,126 个数据集的情况下。
图 3：关于实验ΔΔG 数据集生成的考虑，以提高机器学习预测性。（图源：论文）
在比较预测值和真实值的分布后，团队发现从较小的数据集构建的模型往往会向均值回归，并且尽管预测值没有覆盖真实值的全部范围，但仍然实现了较高的相关性。
那么数据集光有数量还不够，还得有质量——也就是多样性。团队用 10 万个突变子集作为数据源，就三个指标评估数据集的多样性：
-
序列多样性：从 1177 个抗体降到 75 个，标准差比直接掉 23%；
-
氨基酸替换类型多样性：把 380 种氨基酸替换压缩到 19 种常见，标准差比再掉 60%；
-
界面突变结构分布：只让突变集中在界面核心区或外周区，结果……基本没差。
换句话说，抗体序列和替换化学空间的丰富度才是关键，而「在哪儿突变」倒没那么敏感。
最后在 36,391 个实验数据的实战测试里，Graphinity 真切地展示出了它确实能吃透实验分布，而非简单背题：ROC AUC 达到 0.90，平均精度（AP）为 0.82。
数据荒还是存在的
在如此大数量级的实验验证里，研究团队也才将将避开了过拟合的干扰。多次重复试验后，他们得出了一个结论：实验性 ΔΔG 预测的主要挑战在于数据可用性而非模型架构。
他们认为，目前可用的实验数据远远不足，需要更多的数据集，从数十万到数百万不等。本次测试的条件下，团队预估至少需要 90000 个 ΔΔG 值，以实现测试皮尔逊相关系数超过 0.85。
这并非是单纯的重复堆积，而是更加多样的数据类型。目前的实验里在抗体序列同源与氨基酸替换类型方面数据还是很有限的。
故而，团队强调，未来在类似的实验中，需要向更多「机器学习级别的数据」过渡，并寻找更多方法推进通用亲和力预测。
编辑：文婧
