arXiv 于2026年6月22日发布了一篇题为《Deciphering Fingerprints of 3D Molecular Surfaces for Accurate Epitope Prediction》（解读三维分子表面指纹以实现精准表位预测）的新论文，编号为 arXiv:2606.23830v1，归类于机器学习（cs.LG）与人工智能（cs.AI）两个学科。论文由 Fang Wu 领衔，共有五位作者参与，全文约1.6 MB，并已被 KDD 2026 的 AI4Science 专题接收，显示出该工作同时获得了机器学习方法与科学应用两个社区的认可。
研究的出发点在于：分子表面所编码的几何与物理化学模式，是决定抗体—抗原如何相互识别的关键信息，而表位预测正是理解这一识别过程的核心任务。所谓表位，即抗原分子上被抗体实际结合的那一小块区域。许多真实表位并非由蛋白序列上连续的一段残基构成，而是由空间上彼此接近、序列上却相隔很远的残基拼合而成，这类「不连续表位」只有在三维表面上才能被完整描述。然而现有方法大多依赖氨基酸序列或蛋白质骨架结构，难以充分刻画这种由表面驱动的、不连续的表位形态，成为该领域长期存在的瓶颈。
为应对这一挑战，作者提出了名为 SurfBind 的学习框架，其最显著的特点是「以表面为中心」：模型不再从序列或骨架间接推断，而是直接作用于分子表面的表示。SurfBind 通过基于 Transformer 的架构，将几何线索与物理化学线索融合在一起，并在三个层面进行了专门设计。其一是 patch 级的表面建模，把连续的分子表面切分为局部片段进行处理，从而让模型能够关注表面的细微形貌；其二是 binder-aware 的交叉注意力机制，使模型在预测时显式地考虑结合伙伴（binder）的信息，从而将预测从静态的表面特征识别，推进到对相互作用的理解；其三是粗到细的分层预测范式，先在大尺度上定位可能的结合区域，再逐步细化到精确的表位位置。
在实验部分，作者选取了表位识别领域中颇具挑战性的基准数据集，包括 SAbDab 与 DB5.5，对 SurfBind 进行了系统评估。结果显示，该框架在这些基准上取得了当前最优（state-of-the-art）的性能。更值得关注的是其泛化能力：面对训练中未曾出现的抗体以及不同的构象状态，SurfBind 依然表现稳健，说明模型学到的并非对特定样本的记忆，而是具有一定普适性的表面相互作用规律。
作者指出，这些结果凸显了「交互感知的表面建模」在理解蛋白质—蛋白质相互作用机制方面的重要价值。从更广的视角看，该工作提示了一条方法学上的转变：当序列和骨架信息不足以刻画决定识别特异性的表面模式时，直接在三维分子表面上进行学习，可能是提升表位预测精度与可靠性的有效途径。论文的提交时间为2026年6月22日18:14:14 UTC，目前以预印本形式公开，读者可通过 PDF、实验性 HTML 以及 TeX 源码等多种方式获取全文，DOI 为 10.48550/arXiv.2606.23830。