Fugu-MT 論文翻訳(概要): TITAN: T Cell Receptor Specificity Prediction with Bimodal Attention Networks

論文の概要: TITAN: T Cell Receptor Specificity Prediction with Bimodal Attention Networks

arxiv url: http://arxiv.org/abs/2105.03323v1
Date: Wed, 21 Apr 2021 09:25:14 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 08:33:19.766910
Title: TITAN: T Cell Receptor Specificity Prediction with Bimodal Attention Networks
Title（参考訳）: TITAN:バイモーダルアテンションネットワークを用いたT細胞受容体特異性予測
Authors: Anna Weber, Jannis Born and Mar\'ia Rodr\'iguez Mart\'inez
Abstract要約: TCRシーケンスとepITopeの両方をエンコードするバイモーダルニューラルネットワークを提案し、見えないシーケンスと転送/またはに対する能力の独立した研究を可能にする。 tcr距離ニューラルネットワークは、未認識のtcrにおいて競合性能を示す。 tcr距離ニューラルネットワークは、未認識のtcrでも競合性能を示す。
参考スコア（独自算出の注目度）: 0.5371337604556311
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Motivation: The activity of the adaptive immune system is governed by T-cells and their specific T-cell receptors (TCR), which selectively recognize foreign antigens. Recent advances in experimental techniques have enabled sequencing of TCRs and their antigenic targets (epitopes), allowing to research the missing link between TCR sequence and epitope binding specificity. Scarcity of data and a large sequence space make this task challenging, and to date only models limited to a small set of epitopes have achieved good performance. Here, we establish a k-nearest-neighbor (K-NN) classifier as a strong baseline and then propose TITAN (Tcr epITope bimodal Attention Networks), a bimodal neural network that explicitly encodes both TCR sequences and epitopes to enable the independent study of generalization capabilities to unseen TCRs and/or epitopes. Results: By encoding epitopes at the atomic level with SMILES sequences, we leverage transfer learning and data augmentation to enrich the input data space and boost performance. TITAN achieves high performance in the prediction of specificity of unseen TCRs (ROC-AUC 0.87 in 10-fold CV) and surpasses the results of the current state-of-the-art (ImRex) by a large margin. Notably, our Levenshtein-distance-based K-NN classifier also exhibits competitive performance on unseen TCRs. While the generalization to unseen epitopes remains challenging, we report two major breakthroughs. First, by dissecting the attention heatmaps, we demonstrate that the sparsity of available epitope data favors an implicit treatment of epitopes as classes. This may be a general problem that limits unseen epitope performance for sufficiently complex models. Second, we show that TITAN nevertheless exhibits significantly improved performance on unseen epitopes and is capable of focusing attention on chemically meaningful molecular structures.
Abstract（参考訳）: モチベーション(Motivation):T細胞とその特異的T細胞受容体(TCR)によって制御され、異種抗原を選択的に認識する。実験的手法の最近の進歩により、TCRとその抗原標的(エピトープ)のシークエンシングが可能となり、TCR配列とエピトープ結合特異性の欠如が研究されている。データの不足と大きなシーケンス空間により、この作業は難しくなり、これまでは少数のエピトープに限定されたモデルのみが優れたパフォーマンスを達成している。そこで本研究では,k-nearest-neighbor (k-nn) 分類器を強いベースラインとして確立し,tcrシーケンスとエピトープの両方を明示的にエンコードするバイモーダルニューラルネットワークであるtitan (tcrエピトープバイモーダルアテンションネットワーク)を提案する。結果: SMILESシーケンスでエピトープを原子レベルで符号化することにより, 転送学習とデータ拡張を利用して入力データ空間を拡張し, 性能を向上させる。 TITANは、目に見えないTCR(ROC-AUC 0.87 in 10-fold CV)の特異性の予測において高い性能を達成し、現在の最先端(ImRex)の結果を大きく上回る。特に、我々のLevenshtein-distanceベースのK-NN分類器は、目に見えないTCRに対して競争性能を示す。未発見のエピトープへの一般化は依然として困難だが、我々は2つの大きなブレークスルーを報告している。まず,注目ヒートマップを解剖することにより,利用可能なエピトープデータのスパース性がクラスとしてのエピトープの暗黙的な処理を好むことを示す。これは十分に複雑なモデルでは認識できないエピトープ性能を制限する一般的な問題かもしれない。第二に,TITANは目に見えないエピトープの性能を著しく向上させ,化学的に有意な分子構造に注意を向けることができることを示した。

関連論文リスト

Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文参考訳（メタデータ） (2024-09-23T17:11:04Z)
A large language model for predicting T cell receptor-antigen binding specificity [4.120928123714289]
本稿では,モデル一般化の限界を克服するMasked Language Model (MLM)を提案する。具体的には、ランダムにシーケンスセグメントをマスキングし、tcrLMをトレーニングしてマスクセグメントを推論し、TCRシーケンスから表現的特徴を抽出する。実験の結果,tcrLM は独立テストセットと外部検証セットで 0.937 と 0.933 の AUC 値を達成できた。
論文参考訳（メタデータ） (2024-06-24T08:36:40Z)
Active Learning Framework for Cost-Effective TCR-Epitope Binding Affinity Prediction [6.3044887592852845]
ActiveTCRは、アクティブラーニングとTCR-epitopeバインディング親和性予測モデルを組み込んだフレームワークである。アノテーションのコストを最小化しながら、パフォーマンスの向上を最大化することを目的としている。本研究は,TCR-epitope結合親和性予測のためのデータ最適化に関する最初の体系的な研究である。
論文参考訳（メタデータ） (2023-10-16T23:53:07Z)
AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires [6.918664738267051]
本稿では,TCRレパートリーの低次元,解釈可能,構成的表現を学習し,レパートリーの系統的効果を阻害する適応型免疫レパートリー不変変分オートエンコーダ(AIRIVA)を提案する。
論文参考訳（メタデータ） (2023-04-26T14:40:35Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response [12.86640026993276]
抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
論文参考訳（メタデータ） (2022-07-10T13:01:54Z)
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)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。