Neues Framework LEAD optimiert Antikörper-Sequenzen und -Strukturen effizienter

Die neuesten Fortschritte in tiefen generativen Modellen ermöglichen es, Antikörpersequenzen und -strukturen gleichzeitig zu modellieren, wenn das Antigen-Antikörper-Komplex als Kontext dient. Trotz dieser Fortschritte bleiben die bisherigen Ansätze zur Optimierung der komplementären Determinantenregionen (CDRs) in der Rohdatenebene, was zu sehr kostenintensiven Evaluierungen führt.

Um dieses Problem anzugehen, stellt das Team ein neues Co‑Design‑Framework namens LatEnt blAck-box Design (LEAD) vor. LEAD arbeitet im gemeinsamen latenten Raum und optimiert gleichzeitig Sequenz und Struktur. Durch die Optimierung gemeinsamer latenter Codes überwindet LEAD die Beschränkungen herkömmlicher Methoden und sorgt für eine synchronisierte Gestaltung mehrerer Modalitäten.

Ein besonderes Merkmal von LEAD ist die Black‑Box‑Guidance‑Strategie, die reale Szenarien berücksichtigt, in denen viele Eigenschaftsevaluatoren nicht differenzierbar sind. Experimentelle Ergebnisse zeigen, dass LEAD sowohl bei Einzel- als auch bei Mehrfachzieloptimierungen eine überlegene Leistung erzielt. Dabei reduziert das System die Anzahl der Abfragen um die Hälfte und übertrifft gleichzeitig die Basisverfahren in der Eigenschaftsoptimierung.

Der Quellcode ist frei verfügbar unter https://github.com/EvaFlower/LatEnt-blAck-box-Design. Die Arbeit wurde auf arXiv unter der Referenz arXiv:2508.11424v1 veröffentlicht.