Improved Graph-Based Antibody-Aware Epitope Prediction with Protein Language Model-Based Embeddings

Dieses Kapitel geht auf die entscheidende Rolle der Epitopenvorhersage beim Antikörperdesign ein und beleuchtet die Herausforderungen und Fortschritte in diesem Bereich. Es untersucht die Verwendung von Protein-Sprachmodellen (PLMs) wie ESM-2, AntiBERTy, ProtTrans und ESM-IF zur Einbettung von Rückständen in ein graphenbasiertes Antikörper-bewusstes Epitopenvorhersagesystem. Die Autoren bewerten die Leistung dieser PLMs neben klassischen Einbettungsmethoden wie One-Hot-Encoding und BLOSUM62. Die Studie erweitert das WALLE-Rahmenwerk, indem sie diese Einbettungen in ein Graph Convolutional Network (GCN) integriert, um Epitopenrückstände auf Antigenoberflächen vorherzusagen. Das Kapitel behandelt auch den verwendeten Datensatz, den Versuchsaufbau und die erzielten Ergebnisse und zeigt signifikante Verbesserungen bei der Genauigkeit der Epitopenvorhersage. Darüber hinaus vergleicht er den vorgeschlagenen Ansatz mit etablierten Grundlagen und skizziert zukünftige Forschungsrichtungen. Er betont das Potenzial der Integration verschiedener PLM-basierter Einbettungsmethoden und der Erforschung anderer geometrischer Deep-Learning-Modelle zur verbesserten Epitopenvorhersage.