亚马逊生物发现团队（Amazon Bio Discovery）开发出三种加速抗体药物设计的AI方法：MochiBind，仅通过序列即可对结合候选物进行排序；CA-MAP，在考虑实验室特异性批次效应的同时预测抗体可开发性；以及一套经过实验验证、针对新型癌症靶点的智能体引导设计系统。
MochiBind将结合亲和力预测重新定义为相对排序问题，而非绝对数值预测，其准确率比基于结构的竞争方法高出10%，同时推理速度提升100倍，能在CPU上于13秒内完成对20万对抗体的评分。
CA-MAP通过情境感知学习解决批次效应问题，即使在模拟批次偏移的情况下仍能保持0.99的相关性准确度，而标准模型在同等条件下的准确度会降至0.58。与此同时，CA-MAP所使用的参数量仅为同类大语言模型的1/200，运行速度却快200倍。
在一项端到端设计实验中，该团队针对一个此前没有任何结构或抗体信息的促结缔组织增生性小圆细胞肿瘤靶点，成功生成了46个经过验证的强效结合物。
Q&A
Q1：MochiBind是什么？它有什么优势？
A：MochiBind是亚马逊生物发现团队开发的抗体结合亲和力预测模型，它将预测问题转化为相对排序，比基于结构的方法准确率高10%，推理速度快100倍，能在CPU上13秒内完成20万对抗体的评分。
Q2：CA-MAP如何解决实验室批次效应问题？
A：CA-MAP采用情境感知学习方法，即使在存在批次偏移的情况下仍能保持0.99的高相关性准确度，而标准模型会降至0.58。它的参数量仅为同类大语言模型的1/200，运行速度快200倍。
Q3：亚马逊的智能体引导抗体设计系统效果如何？
A：该系统在针对一个此前没有结构或抗体信息的促结缔组织增生性小圆细胞肿瘤靶点的实验中，成功生成了46个经过验证的强效结合抗体，证明了端到端设计流程的有效性。
