由于缺乏合适的抗体-抗原对，使用计算对接来生成训练和测试数据集中的一些数据。ClusPro(波士顿大学)[ 6- 9]和Rosetta (RosettaCommons) [ 10- 12web服务器被用来创建配对抗体-抗原复合物的数据集，用于机器学习。ClusPro和Rosetta均用于蛋白质-蛋白质分子对接。Rosetta使用SnugDock (RosettaCommons)算法[ 10］．Swiss- pdbviewer(瑞士生物信息学研究所)[ 13]被用来检查所得到的蛋白质复合物结构。

从蛋白质数据库(Protein Data Bank, PDB)中随机选取50个抗体-抗原复合物[ 14］．抗体-抗原复合物通过使用Perl脚本分离，以生成pdb格式的文件以及抗体和抗原的序列。使用Rosetta抗体建模web服务器定位cdr。使用ClusPro(仅用于确定方向)将抗原与一系列抗体进行对接，然后使用Rosetta的抗体对接程序SnugDock。为了保持计算时间可控，并不是所有抗体都被停靠。相反，为了找到最佳的定位，研究人员随机选择了10到14个抗体与每种抗原进行对接。生成的复合物被提交到Rosetta SnugDock web服务器，以计算最佳界面得分。这就产生了每个抗原10到14个复合物的结构，当与原始抗体-抗原复合物加在一起时，每个抗原总共有11到15个复合物。总共有50个抗原和600个抗体。所产生的复合物的一个示例显示在 图1．

使用Rosetta界面分数作为结合亲和力的估计值，以识别用于机器学习的同源抗体-抗原对。界面分数高于- 8.0的复合物被直接归为结合差的复合物，界面分数低于- 9.0的复合物被直接归为结合良好的复合物。对于得分在−8.0到−9.0之间的复合物，使用SwissDock(瑞士生物信息学研究所)对对接集群和位置进行了可视化检查。如果前10个模型的抗体和抗原的相对位置相似，且结构表现出明显的相互作用模式，则将其归类为具有良好的结合亲和力。

Rosetta界面评分以前曾被用作基于对接结果确定结合亲和力的分类器(例如，在抗体-抗原交叉反应性研究中[ 15])。

其他数据提取自冠状病毒抗体数据库(CoV-AbDab) [ 16-包括SARS-CoV-2、SARS-CoV-1和MERS-CoV(中东呼吸综合征相关冠状病毒)抗体数据库。数据(2674行)于2021年2月14日从CoV-AbDab中提取。在过滤掉不完整的数据后，还剩下2031行，每一行对应一个抗体。提取的信息包括抗体名称、它们的结合抗原、它们的轻重可变区序列，包括第三个cdr (CDR3s)的位置。每个可变区域序列都在国际免疫遗传学信息系统数据库中进行搜索[ 17]以识别重链和轻链上的第一个cdr (CDR1s)和第二个cdr (CDR2s)的位置。由于一行可能包含一个抗体与多个抗原相互作用的信息，数据被进一步分成多行，每行包含一个抗体与一个抗原相互作用的信息。

计算序列的附加特征如下。使用Bachem肽计算器分析工具(Bachem Holding AG)计算每个CDR的等电点[ 18］．用Bachem肽计算器计算每种CDR的平均亲水性。

采用IEDB (Immune Epitope Database)抗体表位预测分析工具预测B细胞表位[ 19］．

所得数据集可从GitHub [ 20.]，并由以下列标题组成: H链CDR1序列， H链CDR2序列， H链CDR3序列， L链CDR1序列， L链CDR2序列， L链CDR3序列， L CDR1的亲水性， pI (L CDR1， L CDR2的亲水性， pI (L CDR2， L CDR3的亲水性， pI (L CDR3， H CDR1的亲水性， H CDR1的pI, H CDR2的亲水性， pI (H CDR2， H CDR3的亲水性， pI (H CDR3， 抗原表位， 罗塞塔对接分数， 抗原, 对接结果．

加权k -最近邻分类算法[ 21]用于预测抗体-抗原结合亲和力。该程序可从GitHub [ 20.］．

对于每种抗原，根据对接结果，对接的11 - 15个抗体被标记为“亲和性好”或“亲和性低”。然后使用抗原和抗体的序列进行机器学习。

邻居通过不同抗体的CDR1、CDR2和CDR3氨基酸序列之间的字符串距离来确定。重量是根据距离计算的，所以更近的邻居被认为有更多的重量，如下所述。

对于每个抗原，使用K-NN方法学习类别(良好的亲和力或低亲和力)，使用标记的抗原-抗体序列对的训练子集(N−1)，并使用CDR字符串距离作为特征。然后在未用于训练的剩余抗原-抗体序列对上评估模型性能(保留一个交叉验证)。

为了确保K-NN对只包含具有相同抗原的对，对涉及不同抗原的抗体-抗原对之间的距离增加1000的固定惩罚。

抗体之间的相似性通过比较它们的cdr来衡量。每个抗体有一个重链和一个轻链，每个链包含3个cdr。2个抗体之间的距离计算为其CDR距离向量之间的欧氏距离，如下式(式1)所示:

(在哪里 问_我 - - - - - - p_我 的字符串距离 CDR_我 的抗体 问和 CDR_我 的抗体 p．

给出了Python代码 多媒体附件1．

对两种不同的CDR距离计算方法进行了测试和比较;一种基于序列恒等式，另一种使用BLOSUM62矩阵，具体如下。

对于基于身份的距离测量，等价的cdr对根据它们的Levenshtein字符串距离相互比较[ 22]，如式(式2)所示:

成本= 0 一个_我 ＝ b_我 ， 成本= 1 一个_我 ≠ b_我

当Levenshtein距离用于比较序列时，它只说明氨基酸的同一性。更具有生物学意义的距离测量需要考虑氨基酸的不同性质，这意味着在相互作用中，一些氨基酸取代比其他氨基酸更容易被接受。BLOSUM62替换矩阵[ 23]被用作Levenshtein距离计算中氨基酸相似性的代理。虽然BLOSUM矩阵的设计是为了反映进化守恒，但它们可以提供相互作用潜力相似性的估计[ 24］．

根据公式2计算Levenshtein距离，使用以下代价函数:

为 一个_我 ＝ b_我 ， 成本= 0

在哪里 年代_ij ， 年代₂ , 年代_jj 由BLOSUM62矩阵得到。

数据集中的以下列被用于训练模型进行省略交叉验证: H链CDR1序列， H链CDR2序列， H链CDR3序列， L链CDR1序列， L链CDR2序列， L链CDR3序列， 抗原, 对接结果．然后评估训练后的模型预测其他列对接结果的能力。

结合先前K-NN结果的随机森林机器学习算法也用于预测抗体-抗原结合分类。除了blosum62衍生的CDR距离外，每个CDR在中性pH(7.0)下的等电点和净电荷被用作额外的特征，用于训练随机森林。绑定是通过结合每个特征的投票来预测的，根据基于每个特征的最近邻居预测，每个特征贡献1票。

数据集中的以下列用于训练随机森林: 串距(KNN法计算)， L CDR1的亲水性， pI (L CDR1， L CDR2的亲水性， pI (L CDR2， L CDR3的亲水性， pI (L CDR3， H CDR1的亲水性， pI (H CDR1， H CDR2的亲水性， pI (H CDR2， H CDR3的亲水性， pI (H CDR3， 抗原, 对接结果．然后评估训练后的模型预测其他列对接结果的能力。

每个特征被认为是一个单独的决策树，并贡献1票。例如，将抗体重链CDR1的等电点视为1个特征，如前所述，使用K-NN方法来寻找该决策树的结果。总共有13棵决策树，每棵树都使用K-NN方法来确定它的投票，共13票。最终的决定是根据简单多数投票决定的。当整个森林(所有13棵决策树)都参与投票时，获得了最好的结果。

K-NN和随机森林学习器的性能通过在抗原基础上使用省略交叉验证进行评估。对于57种抗原中的每一种，从数据集中去除一行，即1个抗体-抗原对，构建一个训练数据集。在使用与该抗原结合的剩余抗体进行训练后，基于去除的抗体评估模型性能。重复该过程，直到所有5041对抗体-抗原被检测。模型精度计算为正确预测的抗体-抗原对的数量与数据集中的抗体-抗原对的总数之比。

通过50个抗体结构与50个抗原结构的计算对接，共生成600个抗体-抗原复合物。此外，从Cov-AbDab中共提取了4441对抗体-抗原对。这部分数据集的组成如图所示 表1．

数据集总共包含5041对抗体-抗原对，包括1157个抗体和57个抗原。

采用省略交叉验证对抗原-抗体结合分类方法进行评价。对于2个最近邻居的K值，K- nn方法在基于序列恒等式计算Levenshtein距离时，准确率达到81%。当使用BLOSUM62矩阵计算Levenshtein弦距时，观察到有轻微的改进(精度为82%)。

根据BLOSUM62矩阵计算Levenshtein距离时，还评估了不同的K值。K值为2提供了最好的准确性。当K值为1个最近邻时，准确率为80%。当K值为3时，分类准确率下降到79%。

对于随机森林预测，采用投票作为分类预测结果。当考虑整个森林时，准确率最高，在这种情况下，每个特征都对分类结果有贡献。当所有13个特征(每个cdr的Levenshtein弦距离和中性pH(7.0)下的等电点和净电荷)都参与最终投票时，随机森林方法的性能最好(准确率为80%)。