論文の概要: Sequence-based deep learning antibody design for in silico antibody
affinity maturation
- arxiv url: http://arxiv.org/abs/2103.03724v1
- Date: Sun, 21 Feb 2021 02:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 09:42:28.568240
- Title: Sequence-based deep learning antibody design for in silico antibody
affinity maturation
- Title(参考訳): インシリコ抗体親和性成熟のためのシーケンスベースディープラーニング抗体の設計
- Authors: Yue Kang, Dawei Leng, Jinjiang Guo, Lurong Pan
- Abstract要約: 治療リードの最適化ステップは抗体発見パイプラインでますます人気が高まっている。
従来の方法とシリコのアプローチは、特定の標的抗原に対して高い結合親和性を有する候補を生成することを目指している。
本研究では,抗体親和性予測の観点から,抗体-抗原相互作用を表現するための異なるグラフに基づく設計について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Antibody therapeutics has been extensively studied in drug discovery and
development within the past decades. One increasingly popular focus in the
antibody discovery pipeline is the optimization step for therapeutic leads.
Both traditional methods and in silico approaches aim to generate candidates
with high binding affinity against specific target antigens. Traditional in
vitro approaches use hybridoma or phage display for candidate selection, and
surface plasmon resonance (SPR) for evaluation, while in silico computational
approaches aim to reduce the high cost and improve efficiency by incorporating
mathematical algorithms and computational processing power in the design
process. In the present study, we investigated different graph-based designs
for depicting antibody-antigen interactions in terms of antibody affinity
prediction using deep learning techniques. While other in silico computations
require experimentally determined crystal structures, our study took interest
in the capability of sequence-based models for in silico antibody maturation.
Our preliminary studies achieved satisfying prediction accuracy on binding
affinities comparing to conventional approaches and other deep learning
approaches. To further study the antibody-antigen binding specificity, and to
simulate the optimization process in real-world scenario, we introduced
pairwise prediction strategy. We performed analysis based on both baseline and
pairwise prediction results. The resulting prediction and efficiency prove the
feasibility and computational efficiency of sequence-based method to be adapted
as a scalable industry practice.
- Abstract(参考訳): 抗体治療は過去数十年間、薬物の発見と開発に広く研究されてきた。
抗体発見パイプラインにおける注目度は、治療リードの最適化ステップである。
従来の方法とin silicoアプローチは、特定のターゲット抗原に対して高い結合親和性を持つ候補を生成することを目的としている。
従来のin vitroアプローチでは、候補選択にハイブリドーマやファージディスプレイ、評価に表面プラズモン共鳴(SPR)を使用し、シリコ計算では、設計プロセスに数学的アルゴリズムと計算処理力を組み込むことで、高コスト化と効率の向上を目指している。
本研究では, 深層学習技術を用いた抗体親和性予測法を用いて, 抗体-抗原相互作用を表現するための異なるグラフに基づく設計について検討した。
他のシリコ計算では実験的に決定された結晶構造を必要とするが、本研究はインシリコ抗体成熟のための配列ベースのモデルの能力に関心を寄せた。
本研究は,従来の手法や深層学習手法と比較して,結合親和性の予測精度を達成した。
抗体-抗原結合特異性をさらに研究し、実際のシナリオにおける最適化プロセスをシミュレートするために、ペアワイズ予測戦略を導入した。
ベースラインおよびペアワイズ予測の結果に基づいて解析を行った。
結果として得られた予測と効率は、スケーラブルな産業プラクティスとして適応するシーケンスベースの手法の実現可能性と計算効率を証明する。
関連論文リスト
- Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。
本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-20T01:42:16Z) - Active learning for affinity prediction of antibodies [45.58662352490961]
抗体のような大きな分子では、抗体親和性を高める突然変異を同定することは困難である。
FERB法は、異なる変異が薬物候補の有効性と選択性に与える影響について、貴重な洞察を与えることができる。
本稿では,評価を行うシミュレータのシーケンスを反復的に提案し,改良されたバインダーの探索を高速化する能動的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-11T13:42:49Z) - The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks [90.52808174102157]
医療画像や自律運転などの安全クリティカルな応用においては、高い敵の堅牢性を維持し、潜在的敵の攻撃から保護することが不可欠である。
敵対的に訓練されたモデルに固有の不確実性に関して、注目すべき知識ギャップが残っている。
本研究では,共形予測(CP)の性能を標準対向攻撃の文脈で検証することにより,ディープラーニングモデルの不確実性について検討する。
論文 参考訳(メタデータ) (2024-05-14T18:05:19Z) - Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization [51.28231365213679]
我々は,抗原特異的抗体配列構造共設計を,特定の嗜好に対する最適化問題として取り組んだ。
そこで本研究では,有理構造と抗原への結合親和性の両方を有する抗体の生成を誘導する,直接エネルギーに基づく選好最適化を提案する。
論文 参考訳(メタデータ) (2024-03-25T09:41:49Z) - AI driven B-cell Immunotherapy Design [0.0]
抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。
近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。
本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
論文 参考訳(メタデータ) (2023-09-03T09:14:10Z) - Antibody Representation Learning for Drug Discovery [7.291511531280898]
新規なSARS-CoV-2抗体結合データセットと追加ベンチマークデータセットについて報告する。
従来の統計的シーケンスモデル,各データセットの教師付き学習,および抗体特異的事前訓練言語モデルの微調整の3つのクラスを比較した。
実験結果から,特徴表現の自己教師付き事前学習は,従来の手法よりも大幅に改善されていることが示唆された。
論文 参考訳(メタデータ) (2022-10-05T13:48:41Z) - Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial
Robustness [53.094682754683255]
モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。
本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。
本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-10-13T13:54:24Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳(メタデータ) (2020-12-24T05:19:03Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z)
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。