正在人类取病毒性病原体的博弈中，发觉强有力的中和抗体（neutralizing antibody，nab）应用于医治是主要“兵器”之一。正在自然抗体或人工设计抗体中，作用机制和中和本领的研讨历程，常常须要泯灭大批的实验来检验和探讨，与此同时也是“人取病毒”赛跑中的环节限速环节。若何快速、精准猜测未知抗体的中和本领及其作用靶点，正在传统的抗体药物研发领域中仍需进一步打破的环节科学题目。

　　2022年11月7日，复旦大学根蒂根基医学院陆路团队团结商汤高新科技（sensetime）张少霆、张捷等人在Nature子刊Nature Machine Intelligence上宣布了题为：Predicting unseen antibodies'neutralizability via adaptive graph neural networks的研讨论文。

　　该研讨初次提出了一个深度“抗体-抗原”交互算法模子（a deep Ab-Ag interaction algorithm，简称DeepAAI）。DeepAAI有别于典范的序列比对的要领，反而是根据深度进修的要领“静态顺应性地”进修未知抗体取已知抗体的干系（Adaptive Relation Graph），进而避免了AI算法关于未知抗体冷启动的题目，到达有效地展望未知抗体的中和本领。另外，DeepAAI还具有较好的解释性，能为抗原抗体的融合位点提供线索；剖析统一病毒不一样变种和亚变种之间的类似干系，为某病毒涌现的新亚种引荐也许的中和抗体。

　　DeepAAI另一个特点是它基于序列数据。虽然实在的三级构造数据能进步AI算法的猜测准确性，可是实际天下（real-world）中大批抗体的三级构造是未知的。DeepAAI废弃了先按照序列猜测构造，再随后按照猜测出的构造再猜测抗原抗体相互作用的这类串连AI算法的形式，反而是直接基于序列提取充足的有用特点适用于猜测相互作用。这就避免了“正在第1步中的偏差正在第2步中被积累和指数级放大”的风险。与此同时，实际天下中大批存正在的序列数据还能够加强AI算法的实用性。

　　为了全面评价DeepAAI的猜测才能，该研讨以艾滋病病毒（HIV）、新冠病毒（SARS-CoV-2）、流感病毒（infuenza）和登革病毒（dengue）为模子病毒，展开了深入研讨。DeepAAI对这一些病毒的抗体的中和才能展示出必定水平的精准猜测。

　　考虑现阶段大批SARS-CoV-2变异株的呈现，尤其是Omicron亚型，该研究所报导的DeepAAI模子有可能为抗体药物优化，和广谱抗病毒抗体的研发供应思绪。