Как эволюция учит антитела экспресс
Антитело — это белок, который ловит вирусы и бактерии. Когда в организм попадает враг, иммунные клетки начинают перебирать варианты антител, как будто пробуют разные ключи к замку. Полезные изменения сохраняются, вредные отбрасываются. Так за несколько недель получается антитело, которое идеально подходит к цели.
Обычные компьютерные модели не видят этой истории. Они смотрят на готовые антитела и считают их независимыми друг от друга, как карточки в колоде. Но ведь каждое антитело — потомок предыдущего, и в его строении записан путь проб и ошибок. Новая модель CoSiNE читает эту родословную. Она представляет эволюцию антител как цепочку маленьких шагов, где каждый шаг — замена одной буквы в генетическом коде.
Модель не просто повторяет прошлое — она умеет ускорять его. Встроенный механизм «гид» направляет поиск в сторону антител, которые крепче связываются с нужной мишенью. Это как если бы селекционер не ждал случайных мутаций, а сразу высаживал семена с заданными свойствами. Поэтому CoSiNE обходит даже самые современные языковые модели, которые предсказывают свойства белков, но не понимают, откуда эти свойства взялись.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2602.18982
Common deep learning approaches for antibody engineering focus on modeling the marginal distribution of sequences. By treating sequences as independent samples, however, these methods overlook affinity maturation as a rich and largely untapped source of information about the evolutionary process by which antibodies explore the underlying fitness landscape. In contrast, classical phylogenetic models explicitly represent evolutionary dynamics but lack the expressivity to capture complex epistatic interactions. We bridge this gap with CoSiNE, a continuous-time Markov chain parameterized by a deep neural network. Mathematically, we prove that CoSiNE provides a first-order approximation to the intractable sequential point mutation process, capturing epistatic effects with an error bound that is quadratic in branch length. Empirically, CoSiNE outperforms state-of-the-art language models in zero-shot variant effect prediction by explicitly disentangling selection from context-dependent somatic hypermutation. Finally, we introduce Guided Gillespie, a classifier-guided sampling scheme that steers CoSiNE at inference time, enabling efficient optimization of antibody binding affinity toward specific antigens.
Одно антитело может менять свою форму, чтобы захватить две разные мишени, как рука, которая подстраивается под разные предметы.