Antibody Sequence Prediction (AbLang2)

简介

进行抗体序列突变优化，同时给出序列每个位置20种残基的出现概率值（基于原序列预测）。模块基于Ablang2模型实现，该模型是抗体专用语言模型，为AbLang的升级版，旨在解决抗体序列中的种系偏差（germline bias）问题，从而更有效地支持抗体设计与优化。

抗体多样性主要来源于V(D)J重组、CDR区域的突变以及少量非CDR区域的突变。然而，天然抗体序列中仍有很大部分与种系基因（germline）保持一致，这导致传统语言模型在预训练过程中倾向于“记住”种系序列，而忽视了那些远离种系、但对结合能力至关重要的突变。AbLang2模型的核心目标就是缓解这种种系偏差，提升模型对非种系残基的预测能力，从而更有效地指导抗体工程中的关键突变设计。

AbLang2基于Transformer架构，延续了前代模型AbLang的双组件设计。使用OAS数据库中的非配对（仅重链或轻链）和配对（重链+轻链）抗体序列数据进行训练和微调，提升模型对完整抗体结构的建模能力。

模型预测抗体序列困惑度（perplexity，数值越小表示序列质量越高）的对比，Ablang2效果最佳：

输入参数

Fasta File

指定需要优化残基的抗体Fv区序列文件，FASTA格式。如果同时有重链Fv（VH）、轻链Fv（VL）序列，通过英文冒号:将序列进行分隔即可，不分先后。如下所示：

>seq1
EVQLLESGGEVKKPGASVKVSCRASGYTFRNYGLTWVRQAPGQGLEWMGWISAYNGNTNYAQKFQGRVTLTTDTSTSTAYMELRSLRSDDTAVYFCARDVPGHGAAFMDVWGTGTTVTVSS
>seq2
QVQLQQSGGELAKPGASVKVSCKASGYTFSSFWMHWVRQAPGQGLEWIGYINPRSGYTEYNEIFRDKATMTTDTSTSTAYMELSSLRSEDTAVYYCASFLGRGAMDYWGQGTTVTVSS:EIVLTQSPGTLSLSPGERATLSCRASQSVSSSFFAWYQQKPGQAPRLLIYGASSRATGIPDRLSGSGSGTDFTLTITRLEPEDFAVYYCQQYDSSAITFGQGTRLEIK

重、轻链同时存在时，后续突变优化过程中，模型会同时考虑重、轻链，符合实际情况。

Position

指定需要突变优化的残基。使用残基位置编号(从1开始)，多个残基用逗号分隔，指定残基范围用横杠符号。如：3,10,24-30表示序列中的第3、第10与第24至30号残基，进行突变优化。
在序列中同时存在重、轻链时，需要在残基序号前加上重(H)、轻链(L)标签，如：H5,H8-10,L3表示序列中，重链的第5、第8-10，轻链的第3号残基进行突变优化。
注意：这里定义的待优化残基，会同时应用到Fasta文件中的每条序列（如有不匹配的残基位置，会被自动过滤掉）。

Output Fasta

输出优化序列的文件名，Fasta格式，默认为restored.fasta，每条序列仅会产生一条优化的序列。

Output Prob

输出残基概率文件名，CSV格式，默认为restore_probs.csv，输出原序列对应的Positions位置20种残基出现的概率值，以及对应位置优化后的残基。

结果说明

优化后的序列文件restored.fasta
残基概率文件restore_probs.csv，包含信息如下：

注意：Restored的残基并不一定都是Consensus残基，因为概率计算是基于原序列整体计算的，而序列优化是对所有待优化残基进行掩码后（使用*代替原残基），计算可能的最优残基，出现概率会有差异。

参考文献

• Olsen TH, Moal IH, Deane CM. AbLang: an antibody language model for completing antibody sequences. Bioinform Adv. 2022 Jun 17;2(1):vbac046.DOI:10.1101/2022.01.20.477061
• Addressing the antibody germline bias and its effect on language models for improved antibody design. Tobias H. Olsen, Iain H. Moal, Charlotte M. Deane. bioRxiv 2024.02.02.578678.DOI:10.1101/2024.02.02.578678