为了进行这种比较分析，我们独立地对 29 个针对跨膜蛋白的抗体序列进行了计算机表位分类。LENS ai框架确定了 6 个不同的簇，这些簇由具有相似靶标结合区域的抗体组成，按簇接近度排列（图 1）。结果也可以以图表的形式查看（图 2），其中抗体按组合特征相似性排列。在簇内，中心抗体以黑色边框突出显示。该中心抗体是距离其簇内所有其他成员最近的抗体。组合特征相似度也通过簇内和簇间线条（红色=高，蓝色=低）进行可视化。缩放功能允许进一步深入研究，以更详细地查看图表内感兴趣的特定区域。
计算机表位分类 澳大利亚手机数据 是独立进行的，并且对湿实验室程序保密。
Web-01 的 BiostrandEpitope 分箱图像
图 1：抗体簇/簇接近度的 3D 网格视图。
图 2：按相似性/接近性查看抗体的图形。
第 2 阶段：通过体外竞争试验进行独立湿实验室表位分类
对 29 种抗体进行了基于 BLI 的分析，以生成经典的湿实验室分箱数据（图 3），然后可以将其与计算机模拟分箱数据进行比较。此操作产生了 6 个不重叠的箱，其中 3 个由 2 个子箱组成，这些箱的分配基于包含目标单体的夹心测定和包含目标二聚体的串联测定的综合结果。
经典湿实验室表位分类数据热图
图3：经典湿实验室表位分类数据热图。
第 3 阶段：注释者间一致性分析，以比较计算机模拟数据和传统湿实验室分箱数据
在比较之前，应用了多数共识标签映射来标准化计算机集群和体外表位箱中的标签。由于这种映射不是互易的，因此已在两个方向上应用它，以专门解释箱数和集群数之间的任何差异。