Large-scale sequence modeling of antibody-antigen binding specificity

Motivation

• Known: Structure 기반 방법(예: AlphaFold)은 protein-protein interaction 예측에 활용되어 왔으나 antibody-antigen complex에는 inter-protein coevolution 신호 부재, flexible CDR loop, polar/water-mediated interaction 등으로 한계가 있으며, sequence 기반 PLM들은 antibody와 antigen을 독립적으로 frozen embedding으로 인코딩하여 interaction-specific feature 학습에 제약이 있다.
• Gap: 기존 antibody-antigen 벤치마크는 training/test 간 sequence overlap이 커서 unseen antigen에 대한 일반화 평가가 어렵고, 생물학적으로 타당한 non-binder negative example 없이 random shuffling 등으로 negative를 생성해 특이성(specificity) 예측력이 제한적이었다.
• Why: Antibody-antigen binding specificity를 정확히 예측할 수 있으면 백신 설계, 치료용 항체 개발, pandemic preparedness, precision immunotherapy 등 실질적 응용에 직접적으로 기여할 수 있다.
• Approach: SAbDab, IEDB, ASD 등 공개 데이터셋에서 백만 개 이상의 human paired antibody-antigen 서열을 curation하고, ESM-2 35M 기반 discriminative model을 antibody와 antigen을 함께 encoding하도록 fine-tuning하며, 생물학적으로 타당한 negative(non-binder)와 엄격한 antigen 클러스터 기반 train/test split을 적용해 일반화 성능을 평가한다.

Achievement

Figure 2. Agate performance summary. (A) ROC relative to the benchmark models MINT, PLM-Interact, MAGE, and Boltz-2.

1. 대규모 데이터셋 구축: SAbDab, IEDB, ASD 등을 통합하여 백만 개 이상의 human antibody-antigen pair를 curation, 기존 structure 기반 모델이 사용하는 PDB 데이터보다 약 200k개 더 많은 antigen-specific antibody를 확보하고 MAGE, AntiBinder 등 기존 sequence 기반 PPI 모델보다 수 배 많은 positive example을 포함시켰다.
2. 생물학적으로 근거 있는 negative sampling: 무작위 shuffling 대신 naïve/memory BCR repertoire 기반 negative generation과 germline reversion을 활용한 면역 관용(immune tolerance) 시뮬레이션 전략을 도입하여 non-binder example의 생물학적 타당성을 높였다.
3. 엄격한 antigen 클러스터 기반 split: antigen을 30% sequence identity, 40% coverage로 클러스터링(1,879개 클러스터)한 후 train/val/test로 분할해 완전히 unseen antigen에 대한 일반화 평가를 가능케 했다.
4. State-of-the-art 성능 달성: MAGE, AntiBinder 등 기존 벤치마크 모델 대비 binding prediction 성능, specificity, scalability, prospective generalization에서 우수한 결과를 보였다(Fig 2).
5. Spike 제외 실험을 통한 검증: SARS-CoV-2 Spike를 학습 데이터에서 제외한 모델로도 RBD epitope 결정 능력을 확인해 unseen pathogen에 대한 실질적 예측력을 입증했다(Fig 3).

How

Figure 1. Overview of Agate. Dataset curation, negative generation, train/test split and model architecture. Ab: Antibod

• ESM-2 35M을 backbone으로 사용하며, antibody heavy/light chain(VH, VL)을 glycine linker(G*)로 연결하고 antigen 서열과 함께 CLS, EOS 토큰으로 감싸 하나의 입력 시퀀스로 구성 (context size < 2000).
• MLM loss와 binding 여부에 대한 BCE loss를 결합하여 full fine-tuning 수행.
• Positive set: Cao et al., Wasdin et al. 등에서 curation한 human paired antibody, antigen-specific antibody 데이터.
• Negative set: (1) 각 antigen에 대해 non-matched germline의 naïve/memory BCR을 antigen 당 10:1 비율로 샘플링, (2) germline reversion을 통한 면역 관용 시뮬레이션.
• Antigen을 MMseqs easy-search로 30% identity, 40% coverage 기준 클러스터링(1,879 클러스터) 후 train(80%)/val(5%)/test(15%)로 분리하여 antigen 수준의 sequence leakage 방지.
• ANARCI를 이용한 germline gene annotation, HER2 등 과대표집 antigen 다운샘플링으로 데이터 편향 완화.

Originality

• Antibody와 antigen을 독립적으로 encoding하는 기존 방식과 달리, 두 서열을 jointly encoding하여 interaction-specific compatibility feature를 직접 학습하는 discriminative 접근을 채택.
• 무작위 shuffling 기반 negative가 아닌, naïve/memory BCR repertoire와 germline reversion을 활용한 생물학적으로 근거 있는 non-binder 생성 전략을 새롭게 도입.
• Antigen 클러스터링 기반의 엄격한 train/test split을 통해 완전히 unseen antigen에 대한 평가를 수행, 기존 벤치마크의 sequence leakage 문제를 직접적으로 해결.

Limitation & Further Study

• 데이터셋이 여전히 SARS-CoV-2 Spike, Influenza hemagglutinin, VEGF 등 소수의 집중 연구된 antigen에 편향되어 있어 완전히 새로운 pathogen class에 대한 일반화는 추가 검증이 필요하다.
• Antibody germline 편향이 language model 학습에 영향을 줄 수 있다는 점이 언급되었으나 이에 대한 정량적 보정이나 완화 전략은 충분히 다뤄지지 않았다.
• ESM-2 35M이라는 비교적 작은 backbone을 사용했는데, 더 큰 모델이나 antibody-specific PLM(IgBert 등)과의 직접적 결합/비교가 제한적이다.
• Negative sampling 전략(germline reversion, non-matched germline 선택)의 생물학적 타당성에 대한 실험적 검증(예: wet-lab validation)이 부족하여 향후 실험적 확인이 필요하다.

Evaluation

총평: 대규모 curation과 생물학적으로 근거 있는 negative sampling, 엄격한 antigen-level split을 결합해 antibody-antigen binding specificity 예측의 일반화 문제를 실질적으로 개선한 견고한 연구로, 백신 설계 및 pandemic preparedness 등 응용 가능성이 높다.