曹洋团队开发AbCVista，让抗体结构预测走向构象集合
image: AbCVista predicts diverse and accurate antibody conformational ensembles from paired heavy and light chain sequences, capturing CDR-H3 flexibility and mutation-associated dynamics for improved structure modeling, developability assessment, and therapeutic design.
Credit: HIGHER EDUCATION PRESS
抗体能够精准识别抗原，很大程度上依赖互补决定区，尤其是重链CDR-H3。这个环长短不一、序列高度多样，是抗体建模中最难处理的区域(Ruffolo et al. 2023)。更复杂的是，CDR-H3并不会固定在一个姿势里，而会在多个构象之间转换；这些微妙变化，常常牵动抗原结合、亲和力成熟、疏水暴露和聚集倾向。过去几年，IgFold、DeepAb、ImmuneBuilder以及AlphaFold系列已经让抗体结构预测明显提速、提准，但很多模型给出的仍是一张清晰“照片”。对于一段会“呼吸”的柔性环，这张照片还不足以描述真实状态(Spoendlin et al. 2025)。
近日，四川大学生命科学学院曹洋团队在 Protein & Cell 发表研究成果，题为《AbCVista: a deep learning framework for predicting antibody conformational ensembles》。该研究开发了面向抗体和纳米抗体的深度学习框架AbCVista，不只提升了静态结构预测精度，也把预测对象从单一“最可能结构”推进到构象集合，为理解抗体识别和评估抗体药物可开发性提供了新的计算工具。
AbCVista的设计重点放在MSA信息的重新组织上。框架先利用抗体专用比对工具Abalign完成序列搜索和多序列比对，再通过定制化MSA采样调控输入信息，并基于优化后的AlphaFold2/OpenFold模型完成结构建模。为同时满足静态预测和动态集合生成，团队设置了两套策略：静态预测中，强化CDR-H3权重的相似性分层采样用于保留关键结构线索；构象集合生成中，跨链聚类模块先将重链和轻链分别投射到AntiBERTy嵌入空间中聚类，再通过“split-and-intersect”重建匹配的重轻链组合，避免传统聚类简单地按链类型将序列分开所造成的偏差。
在115个抗体和36个纳米抗体组成的静态基准集中，AbCVista在抗体CDR-H3区域取得2.117 Å RMSD，优于AlphaFold3的2.644 Å和IgFold的2.899 Å。真正体现其特色的是多构象任务。在由71组样本共167个实验构象组成的数据集中，AbCVista生成的抗体CDR-H3集合平均CDI为0.660，高于AlphaFold3和AF-Cluster；在2.0 Å阈值下覆盖49.1%的实验构象，最佳匹配RMSD降至2.384 Å。抗体-抗原对接基准中，AbCVista还在80.3%的案例里同时捕获结合态和非结合态CDR-H3构象。
多样性本身并不等于可靠性。研究团队进一步借助FlAbDab分子动力学集合和ITsFlexible柔性分类检验预测结果，发现AbCVista给出的构象变化幅度与抗体本身的柔性相匹配：刚性抗体的预测构象更集中，柔性抗体则呈现出更丰富、更分散的构象空间。单残基突变分析和亲和力成熟案例也显示，AbCVista能够感知细微序列变化带来的构象集合重塑，而不是为相近序列生成一套泛化答案。
这种动态视角延伸到抗体药物开发。以137个抗体药物的HIC保留时间为实验参照，AbCVista构象集合平均hSASA与聚集相关指标的相关性达到0.630，超过AlphaFold3单一结构和AbCVista单一预测。影响抗体可开发性的往往不是某个“标准姿势”，而是一组可能姿势共同塑造出的物理表面。对于正在走向AI辅助设计的抗体领域来说，看清结构是基础；看见结构如何变化，可能才是下一步真正接近功能与成药性的入口。
AbCVista可基于配对的抗体重链与轻链序列，预测出多样且精准的抗体构象集合，捕捉CDR-H3的柔性特征以及与突变相关的动态变化，从而优化结构建模、成药性评估与治疗性抗体设计的效果。