論文の概要: Ranking-based Convolutional Neural Network Models for Peptide-MHC Binding Prediction

• arxiv url: http://arxiv.org/abs/2012.02840v2
• Date: Tue, 8 Dec 2020 04:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 23:21:52.526757
• Title: Ranking-based Convolutional Neural Network Models for Peptide-MHC Binding Prediction
• Title（参考訳）: ペプチド-MHC結合予測のためのランク付け型畳み込みニューラルネットワークモデル
• Authors: Ziqi Chen, Martin Renqiang Min and Xia Ning
• Abstract要約: MHCクラスI分子に結合するペプチドの同定は、ペプチドワクチンの設計において重要な役割を果たす。 我々は,結合予測問題に対処するため,ConvMとSpConvMというアレル固有CNNベースの2つの手法を開発した。
• 参考スコア（独自算出の注目度）: 15.932922003001034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: T-cell receptors can recognize foreign peptides bound to major histocompatibility complex (MHC) class-I proteins, and thus trigger the adaptive immune response. Therefore, identifying peptides that can bind to MHC class-I molecules plays a vital role in the design of peptide vaccines. Many computational methods, for example, the state-of-the-art allele-specific method MHCflurry, have been developed to predict the binding affinities between peptides and MHC molecules. In this manuscript, we develop two allele-specific Convolutional Neural Network (CNN)-based methods named ConvM and SpConvM to tackle the binding prediction problem. Specifically, we formulate the problem as to optimize the rankings of peptide-MHC bindings via ranking-based learning objectives. Such optimization is more robust and tolerant to the measurement inaccuracy of binding affinities, and therefore enables more accurate prioritization of binding peptides. In addition, we develop a new position encoding method in ConvM and SpConvM to better identify the most important amino acids for the binding events. Our experimental results demonstrate that our models significantly outperform the state-of-the-art methods including MHCflurry with an average percentage improvement of 6.70% on AUC and 17.10% on ROC5 across 128 alleles.
• Abstract（参考訳）: t細胞受容体は、主要組織適合性複合体(mhc)クラスiタンパク質に結合する異物ペプチドを認識し、適応免疫応答を誘導する。 したがって、MHCクラスI分子に結合するペプチドの同定は、ペプチドワクチンの設計において重要な役割を果たす。 多くの計算手法、例えば最先端のアレル特異的なMHCflurryは、ペプチドとMHC分子の結合親和性を予測するために開発された。 本稿では,結合予測問題に取り組むために,ConvMとSpConvMという2つのアレル固有畳み込みニューラルネットワーク(CNN)ベースの手法を開発した。 具体的には,ペプチド-MHC結合のランク付けを,ランク付けに基づく学習目的によって最適化する。 このような最適化は結合親和性の測定の不正確性に対してより堅牢であり、したがって結合ペプチドのより正確な優先順位付けを可能にする。 さらに,結合イベントにおいて最も重要なアミノ酸を同定するために,ConvMとSpConvMの新たな位置符号化法を開発した。 実験の結果,本モデルがmhcflurryを含む最先端手法を有意に上回り,aucでは6.70%,roc5では17.10%改善した。

関連論文リスト

• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• MATE-Pred: Multimodal Attention-based TCR-Epitope interaction Predictor [1.933856957193398]
  T細胞受容体と細胞間の正確な結合予測は、免疫療法の成功戦略に決定的に寄与する。 本稿では,T細胞受容体と親和性結合機構の注意に基づく予測を行う,信頼性の高い新しい手法であるMATE-Predを提案する。 MATE-Predのパフォーマンスは、薬物発見における潜在的な応用を予想している。
  論文  参考訳（メタデータ） (2023-12-05T11:30:00Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with a Graph-Based Deep Learning Model [33.92165575735532]
  タンパク質-リガンド結合親和性の正確な予測は、構造に基づく薬物設計において重要な課題である。 そこで我々は,3,218種類のタンパク質-リガンド複合体を含むMDデータセットをキュレートし,グラフに基づくディープラーニングモデルDynaformerを開発した。 ダイナフォーマーはMD軌道からタンパク質-リガンド相互作用の幾何学的特徴を学習することにより、結合親和性を正確に予測することができた。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Attention-aware contrastive learning for predicting T cell receptor-antigen binding specificity [7.365824008999903]
  細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。 そこで本研究では,TCR-抗原結合特異性を推定するためのattentive-mask contrastive learning model,ATMTCRを提案する。
  論文  参考訳（メタデータ） (2022-05-17T10:53:32Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。