DuaDeep-SeqAffinity：仅用氨基酸序列预测抗体-抗原结合亲和力，无需三维结构
该序列模型在AbRank基准上达到 0.683 的Pearson相关和 0.895 的排序AUC，显著优于单分支消融模型。
AI解读：传统上预测抗体与抗原的结合强度，往往需要解析蛋白质的三维结构，这一过程既昂贵又耗时，很多蛋白质难以结晶，限制了高通量筛选。DuaDeep-SeqAffinity提出只用氨基酸序列就能完成预测，把抗原和抗体的重链、轻链作为三条独立输入，分别用冻结的ESM-2语言模型嵌入，再经过Transformer和CNN并行分支后融合，目的是保留CDR区等局部关键信号。在序列不重叠的AbRank数据划分上，模型的Pearson相关为 0.683，排序AUC为 0.895，且优于单分支版本。这意味着抗体筛选的人员无需等待结构解析，直接对有序列的候选抗体进行预筛，加快先导抗体发现。但要注意，性能数字来自AbRank基准及其特定划分，实际应用效果可能因数据而异，最终仍需湿实验验证。
arXiv论文（编号 2512.22007）介绍了一种名为DuaDeep-SeqAffinity的序列深度学习方法，可直接从抗体和抗原的一级氨基酸序列预测结合亲和力，不需要已解析的三维结构。
模型在AbRank基准的序列非重叠划分上取得Pearson相关 0.683、R² 0.460、配对排序AUC 0.895，据论文称显著优于单分支消融版本（配对t检验，p < 0.05）。
三流解耦设计
抗原与抗体重链、轻链被处理为三个独立流，每条流用冻结的ESM-2蛋白质语言模型嵌入，再分别通过并行的Transformer和卷积神经网络分支，最后进行后期融合。
该论文将该解耦设计描述为旨在保留局部互补决定区（CDR）信号，而单一编码器可能稀释这些局部信息。
评估与解释性分析
注意力图和基于梯度的显著性分析显示，模型优先关注CDR环和候选表位残基。
论文据此认为该方法可作为一种可扩展、无结构要求的高通量抗体筛选工具，但这些结论基于论文作者在arXiv摘要中的描述。