TRACE-Net：物理启发的几何深度学习框架用于抗体-抗原对接排序

ACS Omega · 2026-11-12 · 期刊论文

• 一句话结论：TRACE-Net为物理启发的几何深度学习打分框架，在1442个复合物数据上训练，结果提示其可缓解近天然构象的严重排序倒置并在Top-1成功率上取得有竞争力的提升，尤其在困难靶点上；属计算方法的回顾性评估，证据档位为C。
• 研究设计与做法：研究为计算方法开发与基准评估：构建包含CEER、IDGF与TWCRL三个模块的几何深度学习模型，在1442个抗体-抗原复合物数据集上训练，并以近天然构象与大量诱饵构象的区分能力作为评价任务；具体测试集划分、独立验证集规模与评估流程细节材料未报告。
• 主要结果：结果显示TRACE-Net可有效缓解近天然诱饵的严重排序倒置，Top-1成功率相对基线有提升，在挑战性靶点上表现更明显；具体成功率数值、相对提升幅度、置信区间与p值材料未报告。
• 机制或解释：作者将方法设计归因于物理启发的几何特征重校准与内部形变感知门控融合，用以降低几何噪声并将空间偏差量化为柔性界面适配所致局部几何形变的结构指标；未提供独立机制验证实验。
• 局限与边界：局限包括：证据档位为C，评估依赖特定数据集与诱饵生成方式，可能存在数据偏倚；是否与其他打分函数做统一口径比较、是否经前瞻性盲测、计算成本与泛化到非抗体体系的能力材料未报告；利益冲突材料未报告。
• 可否落地：落地含义：提示该框架可作为抗体-抗原对接构象排序的辅助打分策略，属「提示」档位；尚不足以下结论认为其可普遍替代现有打分函数，需在独立盲测集与真实设计任务中进一步验证，临床或药物开发直接应用证据不足。

🔗 打开原文

An Gong, Peidong Bai, Bing Yu 等

本文摘自《每日前沿研究简报 · 2026-11-14》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。