EpiBench：LLM 能否理解抗体药物发现的表位？

表位决定抗体在何处结合抗原并形成下游治疗特性，例如功能阻断和逃逸抵抗，这使得表位理解成为抗体药物发现的核心。尽管大语言模型（LLM）显示出强大的生物医学推理能力，但仍不清楚它们是否可以直接从抗原和抗体序列推断表位信息。现有的表位资源通常专注于孤立的预测任务或依赖于专门的结构设置，而通用蛋白质基准不会评估整个抗体开发工作流程中以表位为中心的决策。为了解决这一差距，我们引入了 EpiBench，这是一种闭卷、基于序列且可自动评分的基准，用于评估 LLM 中的表位推理。 EpiBench 包含 1,609 个基于结构抗体-抗原接触、策划的功能 B 细胞测定和深度突变扫描逃逸测量的精选样本。它涵盖五个相互关联的任务：目标区域发现、抗体条件表位识别、表位分箱、功能性表位评估和抗体逃逸评估，并通过受控采样来减少基于快捷方式的评估伪影。我们评估了九个通用 LLM 并通过特定任务基线、抗原长度分层、显式推理比较和故障模式检查来分析它们的行为。结果表明，当前的 LLM 捕获了部分表位相关信号，但在抗体特异性序列基础、长上下文残基定位和生物学基础推理方面仍然受到限制。因此，EpiBench 提供了一个诊断测试平台，用于测量和改进序列感知生物医学 LLM，以实现可靠的 LLM 辅助抗体发现。