Prediksi Afinitas Ikatan Antibodi-Antigen Menggunakan Algoritma Vision Mamba Dengan Memanfaatkan Normal Mode Correlation Maps

Abstract

Bahasa Indonesia

Antibodi dan antigen merupakan komponen penting dalam sistem kekebalan tubuh manusia. Kompleks antibodi-antigen memiliki peran krusial dalam respons imun, di mana kekuatan ikatan kompleks ini, yang dikenal sebagai afinitas, menjadi indikator kunci efektivitas pengembangan obat berbasis antibodi. Afinitas ikatan antibodi–antigen merupakan indikator penting dalam pengembangan obat berbasis antibodi, tetapi pengukurannya di laboratorium basah memerlukan waktu dan biaya tinggi. Oleh karena itu, pendekatan komputasional menjadi solusi alternatif untuk mempercepat dan menyederhanakan proses pengukuran tersebut. Penelitian ini mengajukan pertanyaan riset: sejauh mana model backbone vision modern (Vision Mamba) mampu memprediksi afinitas antibodi–antigen ketika dinamika struktur molekuler direpresentasikan sebagai citra. Metode yang digunakan meliputi: (1) pengambilan data struktur kompleks dari SAbDab, (2) pembersihan dan standarisasi struktur, (3) perhitungan dinamika menggunakan Elastic Network Model dan pembentukan Normal Mode Correlation Map sebagai input, (4) pelatihan Vision Mamba untuk regresi target afinitas dalam skala log10(Kd), dan (5) evaluasi menggunakan Pearson correlation (R) dan Mean Squared Error (MSE). Eksperimen dilakukan pada 634 data antibodi, dengan beberapa skenario pembagian data latih–uji. Hasil menunjukkan nilai korelasi R sebesar 0.724 dengan stabilitas pembelajaran yang cukup baik. Temuan ini menunjukkan bahwa reformulasi dinamika struktur sebagai citra memungkinkan Vision Mamba menangkap sinyal hubungan prediksi dan target, namun performa masih dipengaruhi keterbatasan data dan konfigurasi regularisasi. Penelitian ini membuka peluang eksplorasi state space model untuk tugas bioinformatika berbasis representasi citra pada data biologis non-natural. Abstract Antibodies and antigens are essential components of the human immune system. Antibody–antigen complexes play a crucial role in immune responses, and the binding strength of these complexes (known as affinity) is a key indicator for the effectiveness of antibody-based drug development. However, measuring antibody–antigen binding affinity through wet-lab experiments is time-consuming and costly. Therefore, computational approaches offer an alternative solution to accelerate and simplify this measurement process. This study addresses the following research question: to what extent can a modern vision backbone model (Vision Mamba) predict antibody–antigen affinity when molecular structural dynamics are represented as images? The proposed method consists of: (1) collecting complex structural data from SAbDab, (2) cleaning and standardizing the structures, (3) computing structural dynamics using an Elastic Network Model and constructing Normal Mode Correlation Maps as model inputs, (4) training Vision Mamba for regression with affinity targets on the log10(Kd) scale, and (5) evaluating performance using Pearson correlation (R) and Mean Squared Error (MSE). Experiments were conducted on 634 antibody samples under several train–test split scenarios. The results show a correlation coefficient of R = 0.724 with reasonably stable learning behavior. These findings indicate that reformulating structural dynamics as images enables Vision Mamba to capture predictive signals related to affinity, although performance remains influenced by data limitations and regularization settings. This work opens opportunities to explore state space models for image-based bioinformatics tasks on non-natural biological data.

English

Antibodi dan antigen merupakan komponen penting dalam sistem kekebalan tubuh manusia. Kompleks antibodi-antigen memiliki peran krusial dalam respons imun, di mana kekuatan ikatan kompleks ini, yang dikenal sebagai afinitas, menjadi indikator kunci efektivitas pengembangan obat berbasis antibodi. Afinitas ikatan antibodi–antigen merupakan indikator penting dalam pengembangan obat berbasis antibodi, tetapi pengukurannya di laboratorium basah memerlukan waktu dan biaya tinggi. Oleh karena itu, pendekatan komputasional menjadi solusi alternatif untuk mempercepat dan menyederhanakan proses pengukuran tersebut. Penelitian ini mengajukan pertanyaan riset: sejauh mana model backbone vision modern (Vision Mamba) mampu memprediksi afinitas antibodi–antigen ketika dinamika struktur molekuler direpresentasikan sebagai citra. Metode yang digunakan meliputi: (1) pengambilan data struktur kompleks dari SAbDab, (2) pembersihan dan standarisasi struktur, (3) perhitungan dinamika menggunakan Elastic Network Model dan pembentukan Normal Mode Correlation Map sebagai input, (4) pelatihan Vision Mamba untuk regresi target afinitas dalam skala log10(Kd), dan (5) evaluasi menggunakan Pearson correlation (R) dan Mean Squared Error (MSE). Eksperimen dilakukan pada 634 data antibodi, dengan beberapa skenario pembagian data latih–uji. Hasil menunjukkan nilai korelasi R sebesar 0.724 dengan stabilitas pembelajaran yang cukup baik. Temuan ini menunjukkan bahwa reformulasi dinamika struktur sebagai citra memungkinkan Vision Mamba menangkap sinyal hubungan prediksi dan target, namun performa masih dipengaruhi keterbatasan data dan konfigurasi regularisasi. Penelitian ini membuka peluang eksplorasi state space model untuk tugas bioinformatika berbasis representasi citra pada data biologis non-natural. Abstract Antibodies and antigens are essential components of the human immune system. Antibody–antigen complexes play a crucial role in immune responses, and the binding strength of these complexes (known as affinity) is a key indicator for the effectiveness of antibody-based drug development. However, measuring antibody–antigen binding affinity through wet-lab experiments is time-consuming and costly. Therefore, computational approaches offer an alternative solution to accelerate and simplify this measurement process. This study addresses the following research question: to what extent can a modern vision backbone model (Vision Mamba) predict antibody–antigen affinity when molecular structural dynamics are represented as images? The proposed method consists of: (1) collecting complex structural data from SAbDab, (2) cleaning and standardizing the structures, (3) computing structural dynamics using an Elastic Network Model and constructing Normal Mode Correlation Maps as model inputs, (4) training Vision Mamba for regression with affinity targets on the log10(Kd) scale, and (5) evaluating performance using Pearson correlation (R) and Mean Squared Error (MSE). Experiments were conducted on 634 antibody samples under several train–test split scenarios. The results show a correlation coefficient of R = 0.724 with reasonably stable learning behavior. These findings indicate that reformulating structural dynamics as images enables Vision Mamba to capture predictive signals related to affinity, although performance remains influenced by data limitations and regularization settings. This work opens opportunities to explore state space models for image-based bioinformatics tasks on non-natural biological data.

Keywords

• vision mamba
• antibody-antigen affinity
• normal mode correlation maps
• afinitas antibodi-antigen