В исследовании представлен AGZArank — новый фреймворк на базе геометрического глубокого обучения, предназначенный для решения критической проблемы приоритизации антител при их компьютерном дизайне. Основная цель метода заключается в эффективном ранжировании библиотек потенциальных связывающих антител для конкретного эпитопа, что позволяет сократить затраты на дорогостоящие экспериментальные проверки. В отличие от существующих подходов, таких как ProteinMPNN или ESM-IF, AGZArank использует синтетическое обучение на основе нормализованных псевдоэнергетических мишеней, извлеченных из структурных данных. В ходе тестирования на бенчмарке из 45 экспериментально подтвержденных интерфейсов антиген-антитело, модель успешно находила истинный связывающий агент в топ-10 кандидатов в 44,4% случаев. Результаты показали превосходную обобщающую способность модели на структурах, полученных после 2021 года, по сравнению с методами PRODIGY и другими современными архитектурами. Исследование доказывает, что для успешного ранжирования критически важны масштаб обучения и соответствие целевой функции задаче поиска, а не только сложность архитектуры нейросети.