RFantibody

RFantibody

Summary card

Задача и generated object

Used in these tasks: De novo antibody design, De novo VHH / nanobody design, Antigen-conditioned antibody design, Генерация CDR backbone, Joint CDR sequence–structure design

Part of these workflows: Target-conditioned de novo antibody (RFantibody)

Architecture and operating principle

Input representation

Target structure + epitope hotspots + fixed antibody framework + CDR length contigs. Framework coordinates are clamped; CDRs are generated.

Encoder и decoder

Equivariant RoseTTAFold-derived trunk as diffusion denoiser. ProteinMPNN is a separate encoder/decoder on the resulting backbone. RF2 is not a generator.

Latent or generative state

Continuous noisy 3D frames for designed CDR residues, then discrete sequence tokens.

Conditioning mechanism

Coordinate clamping of framework and target; hotspot residue constraints; contig specification of CDR lengths; VHH vs scFv format choice.

Generation mechanism

1) Зашумляются CDR frames. 2) Forward process — SE(3) noise as in RFdiffusion. 3) Denoiser предсказывает cleaner frames. 4) Число sampling steps — implementation/default, exact default NR here. 5) Framework и target фиксируются. 6) Sequence назначается MPNN после backbone. 7) RF2 фильтрует комплексы.

Sampling: Multiple diffusion trajectories; MPNN samples per backbone; RF2/AF3 ranking

Training objectives

Antibody-fine-tuned diffusion objective on structural data; MPNN CE; RF2 trained as structure/complex predictor. Do not collapse these losses into one 'affinity loss'.

Losses: Diffusion score-matching / frame denoising (RFdiffusion family); MPNN cross-entropy; RF2 structure losses are predictor losses

Mathematical details: NR

Integrated evaluation

RF2 is an integrated complex predictor/filter. AF3 is described as retrospective/recommended external filter. Neither is experimental affinity. Display/SPR remain mandatory for binding claims.

Architectural limitations

Uses these architecture components: Frame diffusion, Inverse folding, SE(3)-equivariant networks

Generator versus evaluation

Training data и biases

Inference hardware и runtime

Experimental evidence

Limitations and failure modes

• Framework fixed.
• target holo conformation/hotspots critical.
• lower hit rates than general miniprotein binder pipelines.
• CDR humanness not optimized.

Deployment: Limited antibody pilot

Reproducibility, license, commercial use

Related tools

Alternative tools: tFold System, BoltzGen

Complementary: ProteinMPNN, AntiFold

Related: RFdiffusion, ProteinMPNN, tFold System

Not directly comparable with

Depends on these external modules

• RoseTTAFold2 / antibody-fine-tuned RF2
• AlphaFold3
• Experimental binding/function assays
• proteinmpnn

Related glossary terms

Primary paper и полный список источников

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

Review queue

• Bibliographic title must be verified against the PDF.

Детальный source-grounded разбор

Недоступные или неполные источники

RFantibody — многостадийный workflow: antibody-fine-tuned RFdiffusion (CDR frames) → ProteinMPNN (sequence) → antibody-fine-tuned RoseTTAFold2 (filter). AF3 в исследовании — retrospective filter. Binding устанавливается assay/cryo-EM, не pLDDT.

Происхождение источников

Проверенные файлы реализации:

• NR — listing не получен в этом проходе

1. Что именно делает инструмент

[PAPER]Вход: структура мишени, epitope hotspots, фиксированный antibody framework, длины CDR / contig, формат VHH или scFv. Выход: CDR backbones + sequences + комплекс-предложения. Фиксируется: framework и target (кроме designed CDRs). De novo CDR-mediated binder, не parent affinity maturation AL.

2. Архитектура в одном абзаце

[PAPER]Не одна сеть. (1) SE(3) diffusion denoiser на базе RFdiffusion, fine-tuned на antibody geometry, генерирует CDR frames при clamped FW/target. (2) ProteinMPNN назначает CDR sequences на полученный backbone. (3) Fine-tuned RF2 оценивает комплекс (self-consistency/confidence) и отфильтровывает кандидатов. AF3 — дополнительный retrospective ranker в статье, не generator.

4. Математическая модель

NRТочные score-matching уравнения Ab-RFdiffusion в этом выпуске NR (Methods). Классово: reverse SE(3) на designed frames. MPNN: $p(s\mid x_{\mathrm{bb}})$. RF2: structure/complex prediction loss, не $p(K_d)$.

5. Физическое устройство состояния

[PAPER]Стадия 1: noisy/clean residue frames CDRs. Стадия 2: amino-acid tokens. Стадия 3: predicted complex coordinates + confidence maps. Experimental fitness — только после display/SPR/cryo-EM.

6. Физико-химическая интерпретация

[PAPER]Steric complementarity может отражаться в learned geometry + later RF2. H-bonds/electrostatics/solvation не explicit в diffusion. RF2/AF3 confidence — статистика структур, не ΔG. OrthoRep maturation — экспериментальная эволюция после слабых начальных Kd.

7. Training

NRAntibody fine-tune RFdiffusion и RF2; MPNN стандартный sequence recovery. Точные датасеты, фильтры, hardware — NR без Methods. Negative antigens как specificity objective — не описаны как главный loss.

8. Inference

[PAPER]Кампании статьи: порядка 95 designs low-throughput или ~9000 display per target (цифры каталога/Nature narrative; уточнять по paper figures). Hit rate overall target success 0–2% (каталог). GPU hours/VRAM NR. Отделять diffusion wall-time от MPNN, RF2 recycles, AF3, wet-lab.

10. Почему, по мнению авторов, метод эффективен

[PAPER]Mechanism: antibody-specific fine-tune diffusion на CDR; hotspot-conditioned epitope; MPNN для sequences; RF2 filter для self-consistent complexes; experimental display/SPR/cryo-EM.

[PAPER]Claim: atomically accurate de novo antibodies (VHH/scFv); некоторые нейтрализующие после maturation (TcdB). Initial affinities often modest (tens–hundreds nM).

[INTERPRETATION]Causal support: prospective binding/structure — да для selected designs. Ablation «зачем fine-tune» vs vanilla RFdiffusion — нужно SI; здесь не утверждать цифры. RF2 ranking не доказан как причина binding, только как filter перед экспериментом.

12. Ablation analysis

NRПолные ablation tables Methods/SI в этом проходе не извлечены (NR). Не заполнять вымышленными процентами.

13. What the model does not represent

• Оптимизация humanness CDR
• Явный растворитель, гликаны, Fc-эффектор (если не моделируется отдельно после IgG conversion)
• Конформационная энтропия
• Истинная ΔG
• Гарантия developability/manufacturability
• Free framework redesign

14. Evidence and limitations

[PAPER]Prospective: binders confirmed; cryo-EM для selected; hit rates modest vs miniprotein binder pipelines (authors). Framework fixed. Target holo conformation критичен. Independent validation вне авторов — NR здесь.

15. Reproducibility

NRMIT, GitHub RosettaCommons/RFantibody, weights claimed in catalog. Commit SHA NR (timeout). Inference example не прогонялся в этом выпуске.

Физико-химический смысл

Модульная схема

Generator versus evaluator

Claim–evidence matrix

Различия между статьёй и реализацией

Схемы information flow

flowchart TD
  subgraph gen["Generative stages"]
    RF["RFdiffusion Ab — CDR frames"]
    MP["ProteinMPNN — sequence"]
  end
  subgraph eval["Integrated / external evaluators"]
    R2["RF2 filter"]
    AF["AF3 retrospective"]
  end
  subgraph exp["Experiment"]
    D["Display/SPR"]
    C["cryo-EM"]
    O["OrthoRep"]
  end
  RF --> MP --> R2 --> D
  R2 --> AF
  D --> C
  D --> O

Источники

1. [1] Bennett, Watson et al. Atomically accurate de novo design of antibodies with RFdiffusion. Nature. DOI 10.1038/s41586-025-09721-5 · DOI · источник
2. [2] RosettaCommons/RFantibody · источник
3. [3] Dauparas et al. ProteinMPNN. Science 2022. Inverse-folding stage. · DOI

Нерешённые научные вопросы

• Commit SHA, default diffusion steps, RF2 recycle count
• Full ablation of antibody fine-tune
• Developability panel beyond selected IgG conversion