FoldX 和 ddG predictor 是两种不同的计算工具，它们在功能、应用场景和计算方法上有一些区别：
FoldX
- 功能：FoldX 是一个用于预测蛋白质稳定性和蛋白质-蛋白质相互作用亲和力的计算工具。它可以评估蛋白质结构的稳定性和蛋白质复合物的结合自由能。
- 应用场景：在抗体设计中，FoldX 可以用来预测抗体与抗原的结合亲和力，帮助筛选出与目标抗原结合能力强的抗体候选。
- 计算方法：FoldX 基于能量函数，考虑了蛋白质结构中的各种物理化学因素，如氢键、范德华力、静电相互作用等，来计算蛋白质的稳定性和结合能。
ddG predictor
- 功能：ddG predictor 是一个深度学习模型，用于预测蛋白质突变对结合自由能（ddG）的影响。它可以帮助预测在蛋白质-蛋白质相互作用中，特定突变会导致结合能如何变化。
- 应用场景：在抗体设计中，ddG predictor 可以用于优化抗体的亲和力。通过对抗体序列进行突变预测，找到可能增强或减弱与抗原结合的突变位点，从而指导抗体的优化设计。
- 计算方法：ddG predictor 基于深度学习技术，通过对大量已知蛋白质复合物结构和突变数据的训练，学习到突变对结合能的影响模式，从而能够对新的突变进行预测。
主要区别
- 预测目标：FoldX 主要用于预测蛋白质的稳定性和复合物的结合能，而 ddG predictor 专注于预测突变对结合自由能的影响。
- 计算基础：FoldX 依赖于传统的能量函数和物理化学原理，而 ddG predictor 基于深度学习模型，利用数据驱动的方法进行预测。
- 应用场景：FoldX 更适合于整体的蛋白质-蛋白质相互作用评估，而 ddG predictor 更适合于特定突变的优化和筛选。
在实际应用中，这两种工具可以互补使用。FoldX 可以用于初步的抗体-抗原结合评估，而 ddG predictor 可以在后续的抗体优化过程中，帮助找到更优的突变位点来提高结合亲和力。
