学院新闻

3月21日，国际深度学习会议ICLR 2023正式公布了论文获奖名单，中国人民大学高瓴人工智能学院准聘助理教授黄文炳和清华大学刘洋教授等人合作的论文“Conditional Antibody Design as 3D Equivariant Graph Translation”获杰出论文提名（Outstanding Paper Honorable Mention）。ICLR全称是International Conference on Learning Representations，由图灵奖获得者Yoshua Bengio和Yann LeCun于2013年创办，Google Scholar h5-index为286，是当前最具影响力的机器学习国际会议。ICLR 2023共收到4966篇投稿，评选出4篇杰出论文和5篇杰出论文提名。

抗体是免疫系统用来鉴别和中和外来细菌、病毒等病原体的大型Y形蛋白质，抗体类药物在自身免疫疾病和癌症的治疗中发挥了不可估量的重要作用。抗体的设计和优化极具挑战性，主要体现在三个方面：首先，氨基酸序列的搜索空间巨大，每个CDR的氨基酸组合共有约1万亿种可能性；其次，抗体结构存在复杂的内外部物理作用，抗体在自身氨基酸相互作用下形成的三维结构需要与抗原特别是其表位的三维结构紧密结合；最后，抗体设计需要遵循物理定律的对称性，不应受三维坐标系的平移和旋转影响。

论文提出一种基于深度学习的抗体设计方法——多通道等变注意力网络（Multichannel Equivariant Attentive Network, 简称MEAN）。与传统方法相比，MEAN具备三点优势：首先，能充分利用目标抗原的完整信息和抗体的完整可变区域对抗体的复杂内外部物理作用进行建模，设计结果具有很强的抗原靶向特性；其次，能高效同步生成抗体CDR区域一维氨基酸序列和对接后的三维结构，设计方法具有高效性；最后，图神经网络的计算过程严格遵循物理定律的对称性，模型具备很好泛化性。在靶向抗原的抗体设计任务上，MEAN的CDR氨基酸重构（Amino Acid Recovery，AAR）精度比已有最好方法提高了23%；在亲和力优化任务上，MEAN优化后抗体的吉布斯自由能差的变化ddG比已有最好方法提高了34%[LY1]。

图1.研究成果MEAN与RefineGNN的对比。（A）CDR-H3对比。图中灰色部分表示抗原，绿色和红色表示抗体的重链和轻链，左下角是真实的氨基酸序列以及算法生成的氨基酸序列，图中方框的地方是算法生成的CDR-H3的3维结构。（B）亲和力对比。图中绿色区域是数据集中原始抗体针对目标抗原的亲和力密度分布曲线，橙色和蓝色区域分别是RefineGNN和MEAN对抗体进行优化后的亲和力密度分布曲线。

黄文炳简介

现为中国人民大学高瓴人工智能学院准聘助理教授、博导。2017年获得清华大学计算机科学与技术博士学位，2012年获得北京航空航天大学数学与应用数学学士学位。研究方向包括几何机器学习理论方法、几何机器学习在机器人感知与决策任务上的应用、科学知识嵌入的机器学习等，在人工智能顶级学术会议和期刊上发表论文40余篇。近几年，尤其关注GNNfor Science的研究，已经在2D/3D分子预训练模型、分子生成、蛋白质动力学模拟、复杂多体物理交互模拟、抗体设计与优化等问题上提出了创新性解决方法。曾获NeurIPS 2022 Open Catalyst比赛冠军，国际会议IROS机器人比赛季军、腾讯犀牛鸟专项研究卓越奖、NeurIPS Outstanding Reviewer等。