AI抗體設計 從入門到精通

第1章 傳統抗體設計、計算機輔助抗體設計及AI抗體設計
1.1 抗體簡述 001
1.2 抗體類型 002
1.2.1 單克隆抗體 002
1.2.2 納米抗體 003
1.2.3 抗體偶聯藥物 004
1.2.4 雙異性抗體 005
1.2.5 三異性抗體 006
1.3 傳統抗體設計的主要技術 006
1.3.1 基於體內疫的方法 006
1.3.2 基於體外展示的篩選方法 007
1.3.3 基於單細胞分析的方法 007
1.3.4 基於原生B細胞庫的抗體篩選方法 008
1.3.5 抗體人源化 008
1.3.6 和力成熟 008
1.4 計算機輔助抗體設計 009
1.4.1 抗體/抗原的結構建模 009
1.4.2 抗體與抗原結合位點的預測 009
1.4.3 抗原-抗體覆合物結構預測 010
1.4.4 抗體人源化 010
1.4.5 抗體和力提升 010
1.5 AI輔助抗體設計 011
1.5.1 全新設計CDR3 011
1.5.2 CDR1、CDR2、CDR3綜合化 011
1.5.3 AI模型生成序列 011
1.5.4 AI抗體人源化設計 012
1.5.5 AI抗體和力成熟 012
1.6 本章結語 013

第2章 抗體/抗原的結構建模
2.1 同源建模的技術原理 016
2.1.1 同源建模的具體方法和流程 016
2.1.2 同源建模的勢與局限性 019
2.1.3 深度學習驅動的結構建模：AlphaFold與RoseTTAFold 019
2.2 SWISS-MODEL 020
2.2.1 模板搜索和選擇過程 021
2.2.2 模型構建過程 022
2.2.3 結構評估與驗證 022
2.2.4 模型化與序列疊合問題 023
2.3 RoseTTAFold 023
2.3.1 核心技術原理 024
2.3.2 在線預測步驟 024
2.4 AlphaFold 026
2.4.1 核心功能及原理 026
2.4.2 已知的AlphaFold預測結構 027
2.4.3 在線使用AlphaFold2/3進行預測 028
2.5 本章結語 030

第3章 抗原-抗體結合模式預測
3.1 蛋白質-蛋白質結合模式預測的原理 034
3.1.1 蛋白質-蛋白質對接的原理 034
3.1.2 蛋白質-蛋白質對接的詳細流程 035
3.1.3 構象搜索與評分 035
3.1.4 結果化與驗證 036
3.1.5 AlphaFold在蛋白質-蛋白質對接中的應用 036
3.1.6 蛋白質-蛋白質對接的工具與軟件 037
3.2 ClusPro 037
3.2.1 算法概述及工作原理 037
3.2.2 服務器（網站）的使用方法與步驟 038
3.2.3 技術勢 040
3.2.4 局限性 041
3.3 AlphaFold Server 041
3.3.1 概述 041
3.3.2 使用方法與步驟 041
3.4 AF2Complex 045
3.4.1 概述 045
3.4.2 下載AF2Complex 045
3.4.3 下載遺傳數據庫 046
3.4.4 下載其他組件 050
3.4.5 案例演示1：gp120與J3用AF2Complex建模 056
3.4.6 案例演示2：利用AF2Comple行CD276與抗體庫的篩選 062
3.5 AlphaFold3 068
3.5.1 AlphaFold3的本地安裝 068
3.5.2 AlphaFold3運行 070
3.5.3 AlphaFold3的結果解讀 076
3.5.4 AlphaFold3進行CD276與抗體庫的篩選 079
3.6 本章結語 082

第4章 信息傳遞經網絡蛋白質序列設計
4.1 MPNN的原理及框架 084
4.1.1 原理 084
4.1.2 框架 084
4.2 ProteinMPNN的搭建及調試 086
4.2.1 環境準備 086
4.2.2 克隆項目並創建運行環境 087
4.2.3 輸入文件格式 087
4.2.4 運行示例 087
4.3 ProteinMPNN的主要功能代碼 088
4.3.1 示例代碼 088
4.3.2 幫助腳本 089
4.4 ProteinMPNN的結果解析 089
4.4.1 訓練和測試結果 089
4.4.2 ProteinMPNN的實驗驗證 091
4.4.3 ProteinMPNN結果解讀 092
4.5 本章結語 094

第5章 AntiBMPNN抗體序列設計
5.1 訓練集的采集及處理 096
5.1.1 下載抗體/納米抗體的結構 096
5.1.2 清理數據 097
5.1.3 去掉重覆數據 102
5.2 訓練集從.pdb 到.pt格式轉換的處理過程 104
5.2.1 將 .pdb 轉換為 .cif 格式 104
5.2.2 通過 GitHub 下載 PDBX 110
5.2.3 使用Bash腳本轉化為.pt文件 112
5.3 訓練數據的構建 114
5.4 抗體數據集的訓練策略及步驟 114
5.5 參數的調整 118
5.6 骨架噪聲對模型輸出結果的影響 123
5.7 AntiBMPNN架構與訓練性能 125
5.8 納米抗體及抗體的序列恢覆度 127
5.9 AntiBMPNN的打分函數 127
5.10 本章結語 128

第6章 AntiBMPNN及RFantibody
6.1 AntiBMPNN的署及測試 129
6.1.1 安裝說明 129
6.1.2 設計新的抗體序列 131
6.2 基於實驗數據的AntiBMPNN與現有抗體序列設計方法的比較分析 132
6.3 RFantibody 133
6.3.1 RFantibody的安裝及署 134
6.3.2 運行 antibody_pdbdesign_modi.sh進行CDR設計 136
6.3.3 ProteinMPNN進行序列設計 138
6.3.4 RF2評估並篩選獲選序列 139
6.3.5 HLT 文件格式 140
6.4 本章結語 141

第7章 擴散模型蛋白質序列從頭設計
7.1 擴散模型的原理及框架 144
7.1.1 擴散模型的擴散框架 144
7.1.2 預測過程 144
7.1.3 加噪與去噪過程 144
7.1.4 損失函數計算 145
7.1.5 自條件化訓練技巧 145
7.2 RFdiffusion的搭建及調試 145
7.2.1 克隆RFdiffusion倉庫 145
7.2.2 下載模型權重文件 146
7.2.3 安裝SE3-Transformer 147
7.2.4 獲取PPI支架示例 147
7.2.5 運行擴散腳本 147
7.2.6 基本執行-無條件單體設計 148
7.2.7 圖案支架構建 149
7.2.8 分擴散 151
7.2.9 結合體設計 152
7.2.10 結合體設計的實際考慮 154
7.2.11 對稱寡聚物的生成 158
7.2.12 Docker 161
7.3 RFdiffusion的案例解析 162
7.3.1 無條件蛋白質單體生成 162
7.3.2 高對稱寡聚體生成 162
7.3.3 功能位點支架設計 163
7.3.4 蛋白質與肽結合體從頭設計 163
7.4 本章結語 163

第8章 抗體序列人源化AI設計
8.1 抗體人源化的概述 165
8.1.1 AI抗體人源化設計的原理 166
8.1.2 抗體人源化設計的主要流程及步驟 166
8.1.3 人工智能輔助抗體人源化工具 167
8.2 BioPhi人源化設計平臺 168
8.2.1 技術原理 168
8.2.2 應用 168
8.2.3 平臺點 169
8.2.4 算法框架 169
8.2.5 在線平臺 171
8.3 CUMAb抗體人源化與智能設計平臺 176
8.3.1 概述 176
8.3.2 應用與功能 177
8.3.3 平臺點 177
8.3.4 算法框架 177
8.3.5 在線平臺 180
8.4 HuDiff基於深度學習的抗體人源化工具 182
8.4.1 簡介 182
8.4.2 Conda 環境 183
8.4.3 HuDiff-Ab的搭建及模型訓練 183
8.4.4 人源化設計 185
8.5 本章結語 186

第9章 AI抗體和力成熟度
9.1 抗體和力成熟的概述 189
9.1.1 體外和力成熟的需求與意義 189
9.1.2 體外和力成熟的實驗方法與技術挑戰 189
9.1.3 計算方法在和力成熟研究中的應用 190
9.1.4 數據限制與AI模型的進展 190
9.1.5 AI驅動的和力成熟案例及啟示 190
9.2 和力成熟度計算的原理 191
9.2.1 和力的定義與理論基礎 191
9.2.2 分子模擬中的計算方法 191
9.2.3 統計能量函數 192
9.2.4 基於人工智能的計算方法 192
9.2.5 和力成熟的化策略 192
9.2.6 實驗驗證與反饋疊代 192
9.3 AntiBERTy 193
9.3.1 概述 193
9.3.2 技術框架 193
9.3.3 工作原理 193
9.3.4 在和力成熟中的應用 194
9.3.5 安裝 194
9.4 GearBind 200
9.4.1 GearBind模型的設計與多層次幾何信息傳遞 200
9.4.2 自監督預訓練與泛化增強 201
9.4.3 模型性能與架構設計分析 201
9.4.4 集成模型的勢與貢獻分析 201
9.4.5 HER2結合體測試集上的表現 201
9.4.6 CR3022和anti-5T4 UdAb的和力成熟實驗 202
9.4.7 GearBind安裝及應用 202
9.5 本章結語 204

第10章 ChatGPT/DeepSeek在抗體設計中的應用
10.1 ChatGPT的概述 207
10.2 ChatGPT的原理 207
10.2.1 Transformer架構 207
10.2.2 預訓練和微調 208
10.2.3 自註意力機制 209
10.2.4 文本生成和調節層 209
10.2.5 模型參數和擴展性 209
10.2.6 應用與限制 209
10.3 Ollama、vLLM及DeepSeek的安裝與使用 210
10.3.1 安裝WSL（Windows Subsystem for Linux） 210
10.3.2 進入 WSL 環境並設置根目錄 211
10.3.3 下載 Ollama 平臺 211
10.3.4 啟動和管理 Ollama 211
10.3.5 下載DeepSeek模型 215
10.3.6 安裝圖形界面 Open WebUI 215
10.3.7 vLLM+Open WebUI 225
10.4 ChatGPT/DeepSeek在抗體數據處理中的腳本生成及解析 233
10.4.1 單個請求的ChatGPT/DeepSeek生成腳本 233
10.4.2 多次請求生成並修改腳本 234
10.4.3 ChatGPT/DeepSeek生成的.cif.gz分類文件 239
10.4.4 ChatGPT/DeepSeek生成統計 .pdb 文殘基數量並移動定文件 240
10.4.5 ChatGPT/DeepSeek生成統計 .pdb 文殘基數量並覆制符合條件的文件 241
10.4.6 ChatGPT/DeepSeek生成腳本將抗體的數據集隨機分割為訓練、驗證和測試集 243
10.4.7 ChatGPT/DeepSeek生成讀取日誌文件並繪制訓練與驗證曲線以比較困惑度 244
10.4.8 ChatGPT/DeepSeek生成讀取日誌文件並繪制訓練與驗證曲線以比較率 247
10.4.9 ChatGPT/DeepSeek生成統計 .pdb 文殘基數量並移動定文件 250
10.4.10 ChatGPT/DeepSeek生成SeqLogo的圖片 253
10.4.11 ChatGPT/DeepSeek生成腳本來處理.fas文件到.json文件以便進行AlphaFold3 259
10.5 本章結語 262