エピトープ予測は、抗体と抗原がどのように相互認識するかを理解する上で中心的な課題であり、その認識を規定する幾何学的・物理化学的なパターンは分子表面に符号化されている。しかし既存の手法の多くはアミノ酸配列やタンパク質の主鎖構造に依存しており、配列上では連続していない表面駆動型のエピトープを捉えることが難しい。Fang Wuら5名の著者は2026年6月22日に提出された論文で、分子表面の3次元表現に直接働きかける表面中心の学習フレームワークSurfBindを提案した。
SurfBindの要点は、分子表面を情報の担い手として扱い、構造を配列や主鎖座標へ単純化しないことにある。Transformerベースのアーキテクチャを通じて幾何学的特徴と物理化学的特徴を統合し、三つの設計を導入している。第一にパッチレベルでの表面モデリングにより、局所的な曲率や化学的性質のレベルで表面特徴を理解する。第二に結合相手を意識したクロスアテンション機構により、相互作用する対象を明示的に考慮しながら予測を行う。第三に粗から細への階層的予測パラダイムを採用し、まずエピトープのおおよその領域を特定し、その後により具体的な部位へと絞り込む。
著者らはSAbDabやDB5.5を含む難度の高いエピトープ同定ベンチマークでSurfBindを評価した。その結果、本フレームワークは現在の最先端性能に達した。さらに重要な点として、未見の抗体や異なる配座状態に対しても高い汎化性能を示しており、モデルが特定サンプルの記憶ではなく、転移可能な表面相互作用の規則を学習していることを示唆している。
この成果は、相互作用を意識した表面モデリングがタンパク質間相互作用のメカニズム理解に果たす価値を浮き彫りにしている。実際のエピトープの多くは配座依存的かつ不連続であるため、表面に直接基づく手法は配列ベースの手法の不足を補い、抗体設計やワクチン開発、さらには広範な分子認識研究に新たなツールを提供する可能性がある。本研究は機械学習と人工知能の融合領域に位置し、KDD 2026 AI4Scienceに採択されている。