항체-항원 결합 친화도(affinity) 랭킹이 항원마다 다른 특성을 가짐에도 기존 방법들이 비교 쌍을 독립적으로 처리해 문맥 정보를 활용하지 못하는 한계를 해결하기 위해, AbICL은 사전학습된 구조 인코더와 context ranking head를 결합하고 에피소드 메타학습(episodic meta-training) 전략으로 훈련하여 그래디언트 업데이트 없이 테스트 시 support 데모를 활용하는 문맥 내 학습(ICL) 프레임워크를 제안한다. AbRank 벤치마크 실험에서 AbICL은 기존 랭킹 기준선 대비 전반적으로 우수한 성능을 보였으며, 분포 변화(distribution shift) 상황과 세밀한 친화도 구분이 필요한 경우에 문맥 데모의 효과가 더욱 두드러짐을 확인하였다.
계산 항체 CDR 설계 방법들은 결합 루프를 생성하기 위해 항원(antigen) 구조를 조건으로 한다. 그러나 기존 아키텍처는 근본적으로 구별되는 두 하위 문제를 혼동한다: 어떤 CDR 위치가 항원과 접촉할지 식별하는 문제와 해당 위치에서 아미노산을 선택하는 문제. 이는 모델이 균일한 메시지 패싱(message passing)을 통해 접촉 추론을 암묵적으로 학습하도록 강제하며, 모든 위치에 걸쳐 항원 신호를 동등하게 희석시킨다. 우리는 CDR 설계를 세 가지 연쇄 단계로 명시적으로 분해하는 접촉 후 행동(contact-then-act) 아키텍처인 ConTact를 제안한다: 표면 상보성 지문(surface complementarity fingerprints) 학습, CDR-항원 접촉 예측, 접촉 게이트(contact-gated) 항원 특징을 예측 헤드(prediction head)에 주입. 거리 편향(distance-biased) 교차 어텐션 모듈은 공간적 이웃을 선호하는 기하학적 사전 지식을 인코딩하고, 접촉 가중(contact-weighted) 교차 엔트로피 손실은 결합에 중요한 위치에 그래디언트 신호를 집중시킨다. CHIMERA-Bench 데이터셋에서 ConTact는 모든 분할(split)에서 최저 backbone RMSD를 달성하며(최고 기준선 대비 5~6% 개선), 항원-접힘(antigen-fold) 및 시간적(temporal) 분할에서 네이티브 접촉 비율, 인터페이스 RMSD, epitope F1에서 최고 성능을 기록하는 한편, 더 어려운 epitope-group 분할에서도 경쟁력을 유지한다. 소스 코드는 https://github.com/mansoor181/ConTact.git 에서 이용 가능하다.