在治疗性抗体发现中，准确排名抗体候选者的结合亲和力至关重要。然而，现有方法独立处理亲和力比较，忽视了其他标记比较中编码的上下文信息，从而限制了其捕捉抗原特异性结合格局的能力。
对于许多靶抗原，通常只有少量实验表征的亲和力比较可用。一个重要的问题是模型是否能够利用这些现有比较来推断抗原特异性的排名模式，以促进后续的亲和力排名。
这种从标记演示中学习的形式与上下文学习（ICL）范式密切相关，促使我们从ICL的角度重新审视抗体亲和力排名。为此，我们提出了AbICL，一个用于抗原特异性抗体亲和力排名的ICL框架。
AbICL结合了预训练的结构编码器和上下文排名头，并采用了情景元训练策略，使模型能够利用支持示例进行测试时的适应，而无需梯度更新。
在AbRank基准测试中的实验表明，AbICL在几乎所有数据拆分和评估基准上均优于现有排名基线。进一步分析表明，上下文演示的价值取决于它们与目标推理任务的匹配程度，并在分布转移和细粒度亲和力区分的情况下变得愈发明显。
这些发现突显了ICL作为抗原特异性抗体亲和力排名的有效范式的潜力，尤其在单一全局排名函数不足的挑战性环境中。
博主点评： AbICL框架通过引入上下文学习的思路，为抗体亲和力排名提供了新的解决方案，尤其在数据稀缺的情况下展现出强大的能力。这种方法的成功依赖于上下文信息的利用，未来可能会在其他生物信息学领域产生深远的影响。