Abstract In recent decades, antibodies have emerged as indispensable therapeutics for combating diseases, particularly viral infections. However, their development has been hindered by limited structural information and labor-intensive engineering processes. Fortunately, significant advancements in deep learning methods have facilitated the precise prediction of protein structure and function by leveraging co-evolution information from homologous proteins. Despite these advances, predicting the conformation of antibodies remains challenging due to their unique evolution and the high flexibility of their antigen-binding regions. Here, to address this challenge, we present the Bio-inspired Antibody Language Model (BALM). This model is trained on a vast dataset comprising 336 million 40% nonredundant unlabeled antibody sequences, capturing both unique and conserved properties specific to antibodies. Notably, BALM showcases exceptional performance across four antigen-binding prediction tasks. Moreover, we introduce BALMFold, an end-to-end method derived from BALM, capable of swiftly predicting full atomic antibody structures from individual sequences. Remarkably, BALMFold outperforms those well-established methods like AlphaFold2, IgFold, ESMFold and OmegaFold in the antibody benchmark, demonstrating significant potential to advance innovative engineering and streamline therapeutic antibody development by reducing the need for unnecessary trials. The BALMFold structure prediction server is freely available at https://beamlab-sh.com/models/BALMFold.

Abstract In recent decades, antibodies have emerged as indispensable therapeutics for combating diseases, particularly viral infections. However, their development has been hindered by limited structural information and labor-intensive engineering processes. Fortunately, significant advancements in deep learning methods have facilitated the precise prediction of protein structure and function by leveraging co-evolution information from homologous proteins. Despite these advances, predicting the conformation of antibodies remains challenging due to their unique evolution and the high flexibility of their antigen-binding regions. Here, to address this challenge, we present the Bio-inspired Anti-body Language Model (BALM). This model is trained on a vast dataset comprising 336 million 40% non-redundant unlabeled antibody sequences, capturing both unique and conserved properties specific to antibodies. Notably, BALM showcases exceptional performance across four antigen-binding prediction tasks. Moreover, we introduce BALMFold, an end-to-end method derived from BALM, capable of swiftly predicting full atomic antibody structures from individual sequences. Remarkably, BALMFold outperforms those well-established methods like AlphaFold2, IgFold, ESMFold, and OmegaFold in the antibody benchmark, demonstrating significant potential to advance innovative engineering and streamline therapeutic antibody development by reducing the need for unnecessary trials.

To assess the utility of the TCGA molecular classification of endometrial cancer in a well-annotated, moderately sized, consecutive cohort of Chinese patients with ovarian clear cell carcinoma (OCCC). We performed DNA sequencing on 80 OCCC patients via a panel that contains 520 cancer-related genes. The TCGA molecular subtyping method was utilized for classification. The clinicopathological features were analysed, and the survival correlation was assessed for each subtype. The most common mutated genes were ARID1A (49%) and PIK3CA (48%). No pathogenic POLE mutations were detected. MSI-high (MSI-H) tumours were observed in 5 (6.3%) patients. A total of 16.3% (13/80) of the patients were classified as the p53 abnormal (p53abn) subtype, and 77.5% (62/80) were classified as the nonspecific molecular profile (NSMP) subtype. All the MSI-H patients had ARID1A mutations, whereas patients with the p53abn subtype had the lowest percentage of ARID1A mutations (27.3%). No significant differences were observed between the molecular subtypes and clinicopathological features. The progression-free survival and overall survival of the entire cohort were closely associated with FIGO stage (p < 0.01), the presence of residual tumour (p < 0.01), and the platinum response (p < 0.01). Molecular classification did not significantly impact prognosis. Univariate analysis revealed that TP53 mutations in advanced-stage (FIGO III-IV) patients were associated with shorter survival. We did not find prognostic significance of TCGA molecular subtyping in OCCC. POLEmuts are extremely rare, and the incidence of MSI-H and p53abn tumours is also quite low. Further subtyping of the NSMP subgroup is warranted.