Исследование представляет новый фреймворк для предсказания аффинности связывания белков (protein-protein binding affinity) исключительно на основе их последовательностей, что критически важно для оптимизации антител и разработки биопрепаратов. Авторы предложили метод метрического обучения, где две белковые последовательности проецируются в общее латентное пространство, а косинусное сходство между ними напрямую коррелирует с экспериментальной аффинностью. Модель использует эффективную тонкую настройку параметров (PEFT) языковых моделей белков. В тестах на бенчмарке PPB-Affinity модель достигла коэффициента корреляции Пирсона r = 0,89 на случайном разделении и продемонстрировала высокую обобщающую способность на эволюционно далеких белках (r = 0,61 при идентичности последовательностей <30%). На наборе данных AB-Bind метод с использованием всего 30% данных (r = 0,756, RMSE = 0,688) превзошел модели, обученные на 90% данных. Важной особенностью является интерпретируемость: анализ на уровне остатков показал, что модель фокусирует внимание на интерфейсных остатках, соответствующих экспериментально подтвержденным «горячим точкам» взаимодействия. Это открывает масштабируемый путь к дизайну терапевтических антител без необходимости получения сложных 3D-структур.