AntiFold

Peer-reviewed

Summary card

Поле	Значение
Год / version	2025 / NR
Last verified	2026-08-13
Что генерирует	Fv/VHH sequences, per-residue probabilities, sampled masked variants
Форматы	Fv and VHH/nanobody structures
De novo или optimization	Mostly redesign of an existing structural template
DOI	10.1093/bioadv/vbae202
Paper	https://doi.org/10.1093/bioadv/vbae202
GitHub / repo	https://github.com/oxpig/AntiFold
Service / docs	NR
Лицензия	BSD-3-Clause
Доступность / commercial-use	Code + web service

Задача и generated object

Used in these tasks: Fixed-backbone inverse folding, Structure-aware дизайн antibody sequence, Генерация CDR sequence

Part of these workflows: Antibody inverse folding / masked CDR redesign

Поле	Значение
Required input	Solved or predicted antibody structure; optional antigen context
Conditioning	CDR/framework masks, fixed residues, optional antigen
Fixed	Backbone coordinates; typically most of the framework unless unmasked
Editable	Masked CDR/framework residues
Generated	Amino-acid identities at masked positions
Single mutations	Yes
Combinatorial mutations	Yes
Multi-objective	No explicit multi-objective loop

Architecture and operating principle

Author-reported / Implementation-derived interpretation

Поле	Значение
Base architecture	ESM-IF1
Model type	Inverse folding
Representation	Residue graph + backbone coordinates
Generation unit	Amino-acid token
Conditioning	Backbone, chain identity, antigen context
Output	Conditional sequence distribution
Sampling	Temperature-based categorical sampling
Internal scorer	Model log-likelihood
Structure generation	Нет

Input representation

На вход подаётся не «просто структура», а backbone-level residue graph: координаты тяжёлых атомов остова, маски проектируемых позиций, идентификаторы цепей и, опционально, antigen coordinates. Author-reported: Fv and VHH supported; optional antigen context.

Поле	Значение
Node features	Residue identity (when observed), backbone geometry features inherited from ESM-IF1
Edge / pair features	Geometric edges / GVP messages between neighbouring residues

Encoder и decoder

Геометрический GVP encoder из ESM-IF1 кодирует локальные ориентации и расстояния. Implementation-derived interpretation: antibody fine-tune не меняет сам класс encoder, а адаптирует веса к SAbDab-like structures.

Поле	Значение
Encoder	GVP geometric encoder (from ESM-IF1)
Decoder	Autoregressive Transformer over amino-acid tokens

Latent or generative state

Дискретные amino-acid tokens. Геометрия не сэмплируется.

Conditioning mechanism

Coordinate conditioning через geometric edges; residue-level masks; framework можно фиксировать; antigen — optional geometric context, не sequence-only prompt.

Generation mechanism

Autoregressive decoding по residues либо masked redesign выбранных CDR/framework позиций. Backbone остаётся clamped.

Sampling: Per-residue categorical sampling from conditional softmax; masks keep framework/CDR subsets fixed

Training objectives

Cross-entropy sequence recovery. Negative non-binding antigens не используются как training signal (NR / not claimed).

Losses: Cross-entropy over amino-acid tokens

Mathematical details: NR

Integrated evaluation

Likelihood ranking is post hoc relative to geometry: it does not update backbone. No docking, no AF in-loop required. Zero-shot affinity correlation must not be read as demonstrated affinity improvement.

Architectural limitations

Архитектурная особенность	Возможное ограничение
Fixed-backbone conditioning	Нельзя исследовать новую CDR topology.
Residue-level representation	Full-atom interactions моделируются лишь косвенно.
Training on antibody structures	Dataset bias и слабое покрытие редких formats возможны.
Likelihood ranker	Learned score может быть miscalibrated вне training distribution.

Uses these architecture components: Inverse folding, Geometric transformers

Generator versus evaluation

Component	Role	Architecture class	Integrated or external	Required or optional	Influences generation or post hoc	Runtime included or excluded
AntiFold inverse-folding sampler	primary_generator	ESM-IF1 fine-tuned on antibody structures	integrated	required	generation	included
Conditional probabilities; zero-shot affinity correlation is only a score	integrated_scorer	NR	integrated	optional	post_hoc	unknown
Independent antibody structure/complex validation and experiments	mandatory_external_dependency	NR	external	required	post_hoc	excluded
Experimental binding/function assays	experimental_validation	NR	external	required	post_hoc	excluded

Training data и biases

Поле	Значение
Training data	Antibody structures used to fine-tune ESM-IF1 (exact split sizes: NR here)
Preprocessing	NR
Negative examples	NR
Fine-tuning	Yes — ESM-IF1 → AntiFold
Label requirements	Structure-derived sequences; no wet-lab affinity labels required for training
Training hardware	NR
Training time	NR

Inference hardware и runtime

Поле	Значение
Candidate count	NR
Batch size	NR
Generation steps	NR
Recycles	NR
Size	NR
Reported runtime	NR
Runtime boundary	Does not include downstream complex prediction or assays
CPU	NR
GPU	NR
VRAM	NR
RAM	NR
Disk	NR
Databases	None for inference beyond the model weights

Experimental evidence

Поле	Значение
Evidence class	2 retrospective antibody evaluation
Retrospective	No prospective wet-lab validation in primary paper
Prospective binding	NR
Prospective function	NR
Developability	NR
Tested design count	No prospective wet-lab validation in primary paper
Success criterion	Improved CDR recovery and retrospective mutation ranking; not demonstrated affinity improvement
Independent validation	NR
Summary	Improved CDR recovery and retrospective mutation ranking; not demonstrated affinity improvement

Limitations and failure modes

Depends on input structure.
no prospective therapeutic evidence.
likelihood must not be read as affinity.

Deployment: Immediate retrospective evaluation

Reproducibility, license, commercial use

Поле	Значение
Repo	https://github.com/oxpig/AntiFold
License	BSD-3-Clause
Commercial-use status	Code + web service

Alternative tools: ProteinMPNN, ESM-IF1

Complementary: RFantibody, DiffAb

Related: ESM-IF1, ProteinMPNN, IgLM

Not directly comparable with

EvoDiff, FrameDiff, ProGen / ProGen2, RFdiffusion, RFdiffusion All-Atom (RFdiffusionAA)

Сравнение допустимо только внутри совместимых категорий. Runtime и quality AntiFold vs RFantibody нельзя читать как одну шкалу: разные starting points и generated objects.

Depends on these external modules

AlphaFold3
Experimental binding/function assays

Inverse folding, CDR, Framework, Likelihood / log-probability, Conditioning

Primary paper и полный список источников

AntiFold: improved structure-based antibody design using inverse folding

Source matrix: landscape xlsx, last verified 2026-08-13.

Детальный source-grounded разбор

partially verified Последняя сверка источников: 2026-08-27. arXiv HTML 2405.03370 включая Supplementary Methods прочитан. OUP Bioinformatics Advances HTML блокировался Cloudflare. Код antifold/main.py и README просмотрены (commit 789d467); веса model.pt и полный ESM encoder не дизассемблировались.

Недоступные или неполные источники

Источник	Почему недоступен	Что использовано вместо
https://academic.oup.com/bioinformaticsadvances/article/5/1/vbae202/8090019	Cloudflare / HTML недоступен	arXiv 2405.03370 HTML + SI methods в том же документе
Полный binary checkpoint internals	Не разбирался	Архитектура по SI: ESM-IF1 4 GVP + 8+8 Transformer

AntiFold — antibody-specific inverse folding: fine-tune ESM-IF1 на solved и predicted Fv/VHH. Генерирует sequences (logits / sampled FASTA) при фиксированном backbone. Не генерирует структуру. Zero-shot корреляция log-likelihood с DMS affinity — score, не demonstrated affinity engineering.

Происхождение источников

Метка	Источник	Ссылка	Примечание
[PAPER]	Høie, Hummer et al., arXiv:2405.03370 / Bioinformatics Advances 10.1093/bioadv/vbae202	https://arxiv.org/abs/2405.03370	NR
[CODE]	https://github.com/oxpig/AntiFold	https://github.com/oxpig/AntiFold	master 789d46786624c01eb44f177ef4c0deeeb6e77469
[DOC]	README: independent benchmarks listed (Li 2025 PLOS ONE; Clifford 2025 Sci Adv) — papers not fully read	https://github.com/oxpig/AntiFold	NR

Поле	Значение
Репозиторий	https://github.com/oxpig/AntiFold
Commit	`789d46786624c01eb44f177ef4c0deeeb6e77469`
Ветка / tag	master
Лицензия	BSD 3-Clause (README / OPIG download)

Проверенные файлы реализации:

antifold/main.py
antifold/antiscripts.py
antifold/esm_util_custom.py
README.md

1. Что именно делает инструмент

[DOC]Вход: PDB/CIF variable domain (IMGT 1–128 рекомендуется для region sampling); цепи H/L или nanobody; optional antigen chain. Выход: per-residue log-probabilities/CSV, perplexity, sampled FASTA для выбранных IMGT regions. Фиксируется: backbone coordinates. Изменяется: amino-acid identities на маске. Parent-based / template-based, не de novo fold. README Features/Input; PAPER Figure 1 caption

2. Архитектура в одном абзаце

[SI]Fine-tune ESM-IF1: 4 GVP-GNN + 8 Transformer encoder + 8 decoder, инвариантность к rotation/translation входа. Комплекс VH/VL: конкатенация координат L после H с 10 gap tokens (missing coordinates). Обучение CE на masked positions; финальные augmentations: span+shotgun mask, CDR-weighted 3:1, layer-wise LR decay $\alpha=0.85$, OAS predicted structures. Sampling: $\mathrm{logits}/t$, default $t=0.20$. Supplementary Methods 0.1.3–0.1.6

4. Математическая модель

$$p(Y\mid X)=\prod_i p(y_i\mid y_{

[SI] ESM-IF1 / AntiFold [SI]. AntiFold SI Eq. (1), по Hsu et al.

Символ	Тип	Определение
$X$	coordinates	N, Cα, C (и gap как missing coords)
$Y$	tokens	amino acids

$$\mathrm{LR}_i = \mathrm{LR}\times \alpha^{i},\quad \alpha=0.85,\; i=0\ldots 20$$

[SI] tool-specific [SI]. Layer-wise decay, SI Eq. (2).

$$p_i(a)=\mathrm{softmax}(\mathrm{logits}_i)_a,\quad \tilde{\ell}=\mathrm{logits}/t$$

[SI] tool-specific [SI]. SI Eq. (4–5, 7). Temperature как в ProteinMPNN.

$$\mathrm{perplexity}=2^{-\sum_{a=1}^{20}p(a)\log_2 p(a)}$$

[SI] tool-specific [SI]. SI Eq. (6) — энтропийная толерантность позиции, не affinity.

5. Физическое устройство состояния

[PAPER]Состояние генерации: дискретная sequence на фиксированных backbone atoms. Side-chain coordinates не сэмплируются. Antigen — дополнительные residues в geometric context, если указан. Experimental fitness не является переменной модели.

6. Физико-химическая интерпретация

[PAPER]Явно: идентичность АК и геометрия остова. Неявно: статистика antibody structures (SAbDab + OAS/ABB2). Электростатика/растворитель/энтропия не считаются. Antigen chain улучшает корреляцию likelihood с lysozyme DMS для CDR, не являясь ΔG. Results 3.3

7. Training

[PAPER]Данные (чтобы сравнить с AbMPNN): 2074 solved SAbDab комплексов (protein antigen, resolution <5 Å, redundancy filter AbMPNN) + 147458 OAS paired, ABB2 models. Split 80/10/10 по 90% concatenated CDR identity (Dreyer et al.). Methods 2.1; SI 0.1.1–0.1.2

[SI]Без ESM-IF1 pretraining CDRH3 AAR validation 31.5% vs 58.4% с OAS+augmentations (Tables S1–S4 в SI; цифры из HTML). Early stopping: 10 epochs без снижения val loss.

NRHardware/time: NR. Negative antigens как specificity loss: не заявлены.

8. Inference

[DOC]Default sampling temp 0.20; --num_seq_per_target default 0 (только logits). Evaluation в paper: 20 sequences, t=0.20, 56 X-ray <2.5 Å test structures; refold ABodyBuilder2; CDR RMSD после FW align. --esm_if1_mode подменяет веса. GPU/MPS поддерживаются README. Batch size default 1.

10. Почему, по мнению авторов, метод эффективен

[PAPER]Mechanism: antibody-specific fine-tune + CDR-weighted masking + predicted structures; ESM-IF1 prior с 12M structures.

[PAPER]Claim: лучше AAR на CDR (CDRH3 60% vs AbMPNN 56% vs ESM-IF1 43% на AbMPNN test, Table 1 HTML) и выше Spearman на Warszawski DMS (0.42 vs ~0.30–0.33); refold RMSD 0.95 vs native ABB2 0.63.

[PAPER]Causal support: ablation masking/OAS/pretrain — validation AAR (SI tables), не prospective binding. Overall benchmark Table 1 не изолирует каждый модуль на affinity. Prospective wet-lab designs отсутствуют в primary paper.

12. Ablation analysis

[SI]SI Tables S1–S4: span-masking, extra random mask, 3:1 CDR weight, layer-wise decay, OAS predicted structures, train from scratch. Метрика — CDRH3 AAR на validation, не Kd. Тест на predicted vs experimental structures: AntiFold ΔAAR ~0.5%, AbMPNN хуже на experimental (−2.7%). Methods 2.2; Results 3.1

13. What the model does not represent

Генерация backbone / новой CDR topology
Явный растворитель, протонирование, гликаны
Конформационная энтропия, MD
Developability, иммуногенность, экспрессия
Истинная binding free energy (даже при Spearman 0.42 на одном DMS)

14. Evidence and limitations

[DOC]Авторы обсуждают de-selection loss-of-binding и ортогональность к PLM scores. Independent: README указывает Li et al. 2025 PLOS ONE и Clifford et al. 2025 Sci Adv — не читались здесь, не цитировать их цифры.

[INTERPRETATION]Ограничения: зависимость от входной структуры и IMGT numbering для regions; dataset bias SAbDab/OAS; likelihood miscalibration вне распределения.

15. Reproducibility

[CODE]BSD-3, pip package, webserver OPIG, weights https://opig.stats.ox.ac.uk/data/downloads/AntiFold/models/model.pt . Commit 789d4678. Colab в README. Training scripts полного fine-tune в просмотренном дереве antifold/ не выделены как отдельный train.py в listing — воспроизведение обучения NR без дальнейшего поиска.

Физико-химический смысл

Признак или операция модели	Физико-химическая интерпретация	Прямо / косвенно / внешне	Важное ограничение
Backbone N,CA,C	остов Fv	прямо	side chains не генерируются
CDRH3 tokens	гипервариабельный loop sequence	прямо как labels	уникальные H3 topologies в train ограничены
Antigen coords	геометрический контекст эпитопа	optional direct coords	не affinity

Модульная схема

Модуль	Класс модели	Вход	Выход	Обучается или frozen	Generator или evaluator
ESM-IF1 geometric encoder + AR decoder	GVP-GNN + Transformer (fine-tuned)	backbone coords, masks, optional antigen	per-position logits over amino acids	fine-tuned from ESM-IF1	generator (sequence)
Temperature sampler	categorical sampling	logits, IMGT region mask, T	FASTA	необучаемый	generator
ABodyBuilder2 (в статье, не обязателен в CLI)	structure predictor	designed sequence	predicted Fv	external	evaluator (retrospective RMSD)
Per-position perplexity / log-likelihood	derived score	softmax probabilities	scalar ranks	n/a	evaluator only

Generator versus evaluator

Компонент	Роль	Integrated или external	Required или optional	Влияет на generation или только ранжирует после
AntiFold network	sequence generator / logit model	integrated	required	generation
log-likelihood / perplexity	ranker	integrated	optional for sampling	post_hoc ranking; не двигает backbone
ABodyBuilder2 / AF (paper eval)	structure predictor	external	optional	post_hoc
Wet-lab affinity	experimental	external	required для binding claims	не входит в модель

Claim–evidence matrix

Утверждение	Предполагаемый механизм	Тип evidence	Датасет / эксперимент	Comparator	Метрика / результат	Источник	Оговорка
Fine-tune улучшает CDRH3 AAR vs ESM-IF1 и AbMPNN	antibody data + masking recipe + ESM-IF1 init	2. retrospective benchmark	AbMPNN test split / SAbDab	ProteinMPNN, ESM-IF1, AbMPNN	CDRH3 AAR 60% vs 43% ESM-IF1 vs 56% AbMPNN (Table 1)	[PAPER] Results 3.1 Table 1	Recovery ≠ function; split CDR identity 90%
Designed sequences preserve backbone	IF likelihood + low T sampling	2. retrospective benchmark	56 X-ray <2.5 Å; 20 seq; ABB2 refold	ProteinMPNN, ESM-IF1, AbMPNN, native ABB2	mean CDR RMSD 0.95 vs native 0.63	[PAPER] Results 3.2	Self-consistency через predictor, не crystallography designed variants
Zero-shot IF probabilities предсказывают AbAg affinity	log-likelihood variants	2. retrospective benchmark	Warszawski 2019 lysozyme DMS 2209 variants; Hie 2023 124 variants / 7 Abs	ESM-IF1, AbMPNN, ProteinMPNN, ESM-2	Spearman 0.418; improved-group median rank 80%	[PAPER] Results 3.3	Не prospective design; корреляция ≠ Kd; de-selection LoF
Pretraining ESM-IF1 необходим	train from scratch	3. ablation evidence	validation CDRH3 AAR	from-scratch 31.5% vs full recipe 58.4%	AAR	[SI] Table S4 / Methods 2.2	Validation AAR, не affinity
Prospective affinity improvement demonstrated in primary paper	—	1. только architectural rationale	n/a	n/a	не показано	[PAPER] Discussion / Availability: no wet-lab campaign	Primary paper retrospective only

Различия между статьёй и реализацией

Версия статьи	Commit репозитория	Checkpoint / model	Файл	Различие	Практическое следствие
arXiv 2405.03370 SI architecture = ESM-IF1	789d4678	models/model.pt (AntiFold) vs --esm_if1_mode	antifold/main.py	CLI может считать ESM-IF1 без antibody fine-tune	Сравнение с paper AntiFold невалидно, если включён esm_if1_mode

Схемы information flow

flowchart TD
  PDB["Fv/VHH PDB backbone"] --> ENC["GVP + Transformer encoder"]
  ENC --> DEC["AR decoder logits"]
  DEC --> CSV["Per-residue log p"]
  DEC --> SMP["Temperature sample on IMGT mask"]
  CSV --> RANK["Likelihood ranker"]
  SMP --> FASTA["FASTA sequences"]
  FASTA --> ABB["Optional ABB2 — evaluator"]

Information flow AntiFold. ABB2 не часть обязательного CLI generator. Источник схемы: arXiv 2405.03370 SI + README

Источники

[1] Høie, Hummer et al. AntiFold. arXiv:2405.03370; Bioinformatics Advances 10.1093/bioadv/vbae202 · DOI · источник
[2] oxpig/AntiFold commit 789d46786624c01eb44f177ef4c0deeeb6e77469 · источник
[3] Hsu et al. ESM-IF1, ICML 2022 · источник

Нерешённые научные вопросы

Точные гиперпараметры optimizer / batch size fine-tune сверх SI narrative
Полный train script в repo
Цифры Li 2025 / Clifford 2025 без чтения papers