折叠模型改当抗体筛选编码器：冻结Protenix，Origin-1宏平均AUROC从0.669升到0.757
核心概要
抗体筛选通常把特异性、亲和力与可开发性交给不同模型，结构信息多被压缩成ipTM等单一置信度分数。FoldAbS把开源折叠模型Protenix冻结为共享编码器，只训练轻量任务头，并用抗原错配、CDRH3突变与CDRH3替换三类伪负样本补上特异性监督。以Protenix为骨干的FoldAbS-Px在Origin-1上把宏平均AUROC从0.6690提高到0.7570，并在亲和力与四项可开发性指标上取得所报告的最好结果。
深度剖析
抗体筛选的三个目标——能否特异结合抗原、结合多强、是否易于开发——现在可以由同一套冻结的折叠模型表征加三个轻量任务头给出。 此前的做法要么把预测出的复合物结构坐标交给下游模型重新学习相互作用特征，要么直接用ipTM、ipSAE等原生置信度或界面分数排序，这些分数并非针对筛选目标优化。 在Origin-1测试集上，同一Protenix-v1骨干下，FoldAbS-Px把宏平均AUROC从0.6690提高到0.7570；在从头设计抗体构成的PPIFlow上从0.5590提高到0.5920。
特异性头直接学习区分结合与非结合，亲和力头则从已训练的特异性头继承相互作用表征，再改为回归连续结合强度。 特异性训练缺少实验验证的负样本，因此用抗原错配、CDRH3局部突变和CDRH3整段替换三种方式从已知结合对生成伪负样本，正负样本按1:2采样。 特异性在Origin-1的八个抗原系统中有六个优于Protenix-v1，在PPIFlow的七个靶点中有五个优于Protenix-v1；亲和力在AFF、SKE与HER2三个测试集上均取得所报告的最好Spearman ρ与MAE。
可开发性预测只输入抗体一侧，用Protenix输出的单链表征、配对表征与结构输出分别回归聚集、表达、免疫原性和热稳定性。 此前的可开发性模型多基于序列描述符或抗体语言模型嵌入，大规模评测显示没有单一模型能在各数据集上稳定领先。 四项性质的Spearman ρ分别为聚集0.406、表达0.348、免疫原性0.367、热稳定性0.845，均高于各自最强的对比基线。
启示与展望
已展示的范围是预测与筛选：特异性、亲和力与可开发性均在公开或整理后的基准上评估，FoldAbS-Px以Protenix-v1为冻结骨干，代码已公开。作者提出的下一步是把学到的筛选信号接入基于幻觉或生成式的抗体设计流程。
作者指出当前工作聚焦预测与筛选而非闭环抗体设计，特异性监督部分依赖人工构造的伪负样本，可能引入假阴性噪声；可开发性各性质样本量差异较大，且此前大规模评测显示该类性质难以跨数据集稳定预测。