EPIC：联合预测表位、互补位与残基接触 | 科迈生物研究成果获 NeurIPS 2026 AI4DD Workshop 接收

NeurIPS 是全球人工智能与机器学习领域具有重要影响力的国际学术会议之一。AI4DD（AI for Drug Discovery）是 NeurIPS 2026 期间举办的专题 Workshop，重点关注人工智能在药物发现中的方法创新、可靠性验证及实际研发转化，推动人工智能研究与药物研发实践的交流与融合。

在抗体研发中，我们通常能够获得候选抗体和靶蛋白的氨基酸序列，却往往缺少可靠的抗原—抗体相互作用信息。

抗体究竟结合靶标的哪个区域？
抗体自身由哪些残基参与识别？
双方哪些氨基酸彼此接近？

EPIC 将三项密切相关的预测任务统一建模，让表位、互补位和残基接触信息相互支持，从而更全面地预测抗原—抗体结合界面。

E · 表位 Epitope
预测抗体结合抗原的区域，为特定表位抗体设计提供依据。

P · 互补位 Paratope
识别抗体参与结合的关键残基，辅助亲和力成熟与定向序列优化。

C · 残基接触 Contact
预测抗原与抗体之间的残基接触关系，为复合物结构建模提供约束线索。

EPIC 以抗体和抗原的氨基酸序列作为初始输入，通过蛋白质语言模型提取序列特征，并利用预测的单体结构获取三维几何信息，在无需预先获得复合物实验结构的情况下开展结合界面预测。

模型主要包含三项创新设计：

1 · 同时学习序列信息与三维空间关系
融合两类信息，综合考虑氨基酸的序列特征以及它们在蛋白质空间结构中的排列方式。

2 · 让抗体和抗原围绕候选接触关系双向交流
通过预测双方可能发生的残基接触，让抗原与抗体的信息相互参考，更准确地识别特定配对的潜在结合区域。

3 · 让 Contact、Epitope 和 Paratope 共享同一套界面信息
将表位、互补位和残基接触纳入统一模型，让三项预测相互提供线索，更全面地预测抗原—抗体结合界面。

基于公开抗体结构数据库 SAbDab2 的测试集，研究团队在 455 个抗体–抗原复合物上，将 EPIC 与多种现有预测方法进行了系统比较。

实验结果表明，EPIC 在残基接触预测方面展现出突出的区分能力，在抗原表位预测中能够识别更多真实结合位点，同时在抗体互补位预测中保持了与专用模型相近的表现。这些结果体现了联合建模策略在抗体–抗原结合界面预测中的应用潜力。

1 · 残基接触预测：更准确地判断“哪里会接触”
在区分抗体与抗原氨基酸残基是否发生接触的能力上，EPIC 的 AUROC 指标达到 0.9531，明显高于对比方法 ImaPEp 的 0.7374。AUROC 越接近 1，代表模型区分能力越强。这表明 EPIC 能够更有效地识别和排序潜在的抗体–抗原接触位置。

2 · 抗原表位预测：找到更多真正的结合位点
抗原表位是抗原上被抗体识别并参与结合的关键位置。在这项任务中，EPIC 对真实表位残基的召回率达到 60.97%，高于对比模型 MIPE 的 55.23%。

这意味着，在相同测试集上，EPIC 能够发现更高比例的真实表位残基，为潜在抗原结合区域的定位提供更多线索。

3 · 抗体互补位预测：达到与专用模型相近的水平
抗体互补位是抗体上直接参与抗原结合的关键区域。在这项任务中，EPIC 的 AUROC 达到 0.9540，与专用预测模型 Paraplume 的 0.9514 相近，召回率也基本持平。这说明，即使同时承担三项预测任务，EPIC 依然能够在抗体互补位的识别与区分能力方面保持较强的竞争力。

抗原—抗体结合界面的预测，是实现精准抗体设计与工程优化的重要基础。

EPIC 的相关能力有望进一步应用于科迈生物 Click.mAb. AI 抗体设计平台，为多个研发环节提供支持：

1 · 特定表位抗体从头设计
针对目标表位生成与筛选候选抗体

2 · 复合物结构预测
利用接触信息辅助复合物结构建模

3 · 抗体亲和力成熟
识别关键残基，指导突变位点选择

4 · CDR 多样化改造
确定改造区域，设计更聚焦的序列库

论文名称： EPIC: Epitope–Paratope Interleaved Contact Learning for Antibody–Antigen Interface Prediction

接收会议： NeurIPS 2026 Workshop on AI for Drug Discovery（AI4DD）

未来，科迈生物将持续推动界面预测、抗体生成与序列优化等技术的融合，进一步提升 AI 抗体设计的准确性与效率。