适用场景
已有抗体序列，需要判断其可能结合的抗原结构性表位
需要比较多个候选抗体在抗原表面的结合区域差异
我们使用Cookie来改善您的浏览体验并分析网站流量。继续使用本站即表示您同意我们的Cookie政策。 隐私政策
抗原表位预测
我们的方法
提供抗原结构与抗体序列，INSPIRE-SEEN 模型将以极高准确度预测结构性抗原表位，为抗体筛选与差异化设计提供关键依据。较传统实验方法成本降低百倍，较现有计算方法准确度提升 28%，从任务提交到结果产出仅需约 10~20 分钟。
验证数据
78%
INSPIRE-SEEN 准确率
+28%
较 AF2-multimer 提升
20min
单次预测时间
为什么需要？
"抗原表位直接与抗体的功能、作用机制、安全性以及有效性相关。结合表位决定了分子功能、临床适应症以及专利布局。提前识别和评估潜在结合表位，对优化药效、降低同质化风险至关重要。"
Key Advantages
技术优势
传统方法局限
周期长成本高
实验手段周期通常需 4-8 周，单点实验成本从数万到数十万不等；传统高通量筛选与结构解析耗时费力。
表达难度大
部分蛋白和抗体表达难度极高，难以通过传统实验手段获取表位信息，尤其是复杂膜蛋白靶点。
计算预测不准
现有的 AF2-multimer、HADDOCK 等计算方法，对抗原抗体结合模式预测的准确度仍然不足（约 50%）。
同质化竞争与耐药瓶颈
与现有抗体表位高度重叠，竞争机制雷同；肿瘤细胞通过表位突变等方式逃逸，缺乏差异化表位难以突破壁垒。
我们的优势
高度准确，持续进化
预测准确度较 AF2-multimer 提高 28%（从 50% 提升至 78%），基于内部海量冷冻电镜数据持续迭代训练。
极速低成本
从任务提交到结果产出仅需约 10~20 分钟，较传统湿实验成本降低百倍甚至千倍。
加速差异化设计
帮助研发团队避开已知抗体表位，在早期锁定新表位范围；高分值表位可定向用于文库筛选或细胞验证。
Validation
验证案例
在 110 个已知表位的测试集中，INSPIRE-SEEN 展现出超越现有主流 AI 模型的能力。以 HER2 靶点为代表案例，验证模型预测表位与真实结合表位的吻合度。
案例 01: 110 测试集对比
Patch 二分类准确率 78%，最高分 Patch 正确率显著超越竞品
在标准测试集上，INSPIRE-SEEN 的 Patch 二分类准确率达到 78%，远超 AF2-multimer 的 50%。
Patch 二分类对比
| Model | Recall | Precision | AUROC | AUPRC |
|---|---|---|---|---|
| AF2-multimer | 0.40 | 0.43 | 0.65 | 0.48 |
| 内部模型1 | 0.42 | 0.52 | 0.72 | 0.55 |
| 内部模型2 | 0.27 | 0.34 | 0.58 | 0.37 |
| INSPIRE-SEEN | 0.52 | 0.55 | 0.71 | 0.60 |
最高分 Patch 正确率
| Model | 比例 |
|---|---|
| AF2-multimer | 50% |
| 内部模型1 | 60% |
| 内部模型2 | 43% |
| INSPIRE-SEEN | 78% |
案例 02: HER2 × Trastuzumab / Pertuzumab
AI 模型预测表位与真实结合表位高度重叠，正确区分两条抗体的不同结合位置
输入 HER2 抗原晶体结构，以及 Trastuzumab 和 Pertuzumab 抗体序列，INSPIRE-SEEN 模型对结构与序列特征进行深度学习分析，结合已知抗体-抗原相互作用数据，输出高可信度的潜在表位预测。结果显示模型预测的表位 patch 与真实结合表位存在重叠，且正确区分两条抗体的不同结合位置。
绿色：抗原晶体结构
红色：真实结合表位
蓝色：AI 预测最高分 patch
黄色：预测与真实重叠区
Pipeline
计算流程
以亲和力预测 AI 模型为基础的表位预测，通过将抗原表面划分为多个 patch 候选区，并计算其与抗体间的亲和力，精准识别关键氨基酸残基。
输入抗原/抗体信息
Patch 区域划分
亲和力预测打分
选择最优 Patch
输出表位残基
系统先对抗原表面进行 Patch 划分，再通过亲和力模型完成排序，最终输出最可能参与结合的关键表位残基。
适用场景
适用场景与交付说明
适合已有抗体序列、但尚不清楚其在抗原表面可能结合区域的项目。
20 分钟限时折扣 0 积分原价 50 积分 / 抗体 / 次
需要准备
抗原结构文件
抗体序列
交付内容
抗原 Patch 的 PSE 文件（PyMOL 可视化）
表位预测结果文件（Patch 与抗体结合打分）
这项能力相比通用复合物预测模型有什么优势？
表位预测不是简单预测一个复合物姿态，而是把抗原表面拆成 Patch 并对结合可能性评分。模型基于内部冷冻电镜复合物数据持续训练，在已知表位测试集中表现优于 AF2-multimer，更适合做抗体表位定位。
它如何帮助做差异化抗体设计？
通过比较不同候选抗体的高分 Patch，团队可以判断是否避开已知抗体表位、是否靠近目标功能区域，以及多个抗体之间是否有表位差异化空间。