Graylab/IgFold

解決的問題

IgFold提供了一種從抗體胺基酸序列快速準確預測其3D結構的方法。這對於理解抗體如何與靶標相互作用至關重要，是藥物發現和生物學研究的基礎。

工作原理

IgFold使用在大量天然抗體資料集上訓練的深度學習。它利用名為AntiBERTy的預訓練語言模型來處理抗體序列。該系統可以預測抗體可變域（Fv）的主鏈和CB原子，並可使用OpenMM或PyRosetta等工具將這些預測進一步細化為全原子結構。它也支援使用模板結構來指導突變體或特定變體的預測。

適用對象

它專為結構生物學家、生物化學家和製藥研究人員設計，他們需要快速準確地建模抗體結構，而不必完全依賴昂貴的實驗方法。

亮點

• 快速預測：能夠在CPU上幾秒內預測結構。
• 靈活輸入：透過FASTA檔案或命令列參數支援配對的Fv、奈米抗體或單鏈。
• 全原子細化：與OpenMM和PyRosetta整合，構建和鬆弛全原子結構。
• 模板支援：允許使用現有PDB結構作為模板來指導預測，並可忽略特定CDR區域。
• 標準化輸出：以PDB或mmCIF格式生成結構，預測的RMSD儲存在B因子欄中。