AbLWR: 양-항원 결합 친화력 예측을 위한 컨텍스트 인지 리스트 기반 랭킹 프레임워크 (Positive-Unlabeled 학습 활용)

AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning

양-항원 결합 친화력의 정확한 예측은 치료제 개발에 필수적이지만, 데이터의 희소성과 항원 변이의 복잡성으로 인해 어려움을 겪고 있습니다. 본 논문에서는 AbLWR (Antibody-antigen binding affinity List-Wise Ranking)이라는 새로운 프레임워크를 제안합니다. 이 프레임워크는 기존의 친화력 회귀 문제를 리스트 기반 랭킹 문제로 재구성합니다. AbLWR은 데이터 희소성 문제를 완화하기 위해, 이중 수준의 대비 학습 목표와 메타 최적화된 레이블 개선 기술을 활용하는 Positive-Unlabeled (PU) 학습 메커니즘을 적용하여 강력한 표현을 학습합니다. 또한, AbLWR은 다중 헤드 셀프 어텐션 (MHSA)을 사용하여 훈련 리스트 내의 샘플 간 관계를 명시적으로 모델링함으로써 항원 변이를 고려하고 미묘한 친화력 차이를 포착합니다. 광범위한 실험 결과, AbLWR은 최첨단 모델보다 성능이 월등히 뛰어나며, 교차 검증 실험에서 Precision@1 (P@1)을 10% 이상 향상시켰습니다. 특히, 인플루엔자와 IL-33에 대한 사례 연구는 AbLWR의 실용적인 유용성을 입증하며, 미묘한 바이러스 변이를 구별하고 실험 검증을 위한 최우선 후보를 효율적으로 선정하는 데 있어 일관된 랭킹 성능을 보여줍니다.

Accurate prediction of antibody-antigen binding affinity is fundamental to therapeutic design, yet remains constrained by severe label sparsity and the complexity of antigenic variations. In this paper, we propose AbLWR (Antibody-antigen binding affinity List-Wise Ranking), a novel framework that reformulates the conventional affinity regression task as a listwise ranking problem. To mitigate label sparsity, AbLWR incorporates a PU (Positive-Unlabeled) learning mechanism leveraging a dual-level contrastive objective and meta-optimized label refinement to learn robust representations. Furthermore, we address antigenic variation by employing a homologous antigen sampling strategy where Multi-Head Self-Attention (MHSA) explicitly models inter-sample relationships within training lists to capture subtle affinity nuances. Extensive experiments demonstrate that AbLWR significantly outperforms state-of-the-art baselines, improving the Precision@1 (P@1) by over 10$\%$ in randomized cross-validation experiments. Notably, case studies on Influenza and IL-33 validate its practical utility, demonstrating robust ranking consistency in distinguishing subtle viral mutations and efficiently prioritizing top-tier candidates for wet-lab screening.