Fugu-MT 論文翻訳(概要): Neural message passing for joint paratope-epitope prediction

論文の概要: Neural message passing for joint paratope-epitope prediction

arxiv url: http://arxiv.org/abs/2106.00757v1
Date: Mon, 31 May 2021 16:37:55 GMT
ステータス: 処理完了
システム内更新日: 2021-06-03 14:19:33.085300
Title: Neural message passing for joint paratope-epitope prediction
Title（参考訳）: 関節パラトープ・エピトープ予測のためのニューラルメッセージパッシング
Authors: Alice Del Vecchio, Andreea Deac, Pietro Li\`o and Petar Veli\v{c}kovi\'c
Abstract要約: 抗体は、抗原に結合して抗原を検出し中和する免疫系のタンパク質である。抗体-抗原相互作用における結合部位の予測は、それぞれパラトープおよびパラトープとして知られ、ワクチンおよび合成抗体発生の鍵となる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Antibodies are proteins in the immune system which bind to antigens to detect and neutralise them. The binding sites in an antibody-antigen interaction are known as the paratope and epitope, respectively, and the prediction of these regions is key to vaccine and synthetic antibody development. Contrary to prior art, we argue that paratope and epitope predictors require asymmetric treatment, and propose distinct neural message passing architectures that are geared towards the specific aspects of paratope and epitope prediction, respectively. We obtain significant improvements on both tasks, setting the new state-of-the-art and recovering favourable qualitative predictions on antigens of relevance to COVID-19.
Abstract（参考訳）: 抗体は、抗原に結合して抗原を検出し中和する免疫系のタンパク質である。抗体と抗原の相互作用における結合部位はそれぞれパラトープとエピトープと呼ばれ、これらの領域の予測はワクチンおよび合成抗体の発達の鍵となる。先行技術とは対照的に、パラトープとエピトープ予測器は非対称な処理を必要とし、それぞれがパラトープとエピトープ予測の特定の側面に向けられた異なるニューラルメッセージパッシングアーキテクチャを提案する。両タスクの大幅な改善,新たな最先端の設定,および新型コロナウイルス関連抗原の定性的予測の回復について検討した。

関連論文リスト

Immunogenicity Prediction with Dual Attention Enables Vaccine Target Selection [6.949493332885247]
ProVaccineは、タンパク質配列と構造を潜在ベクトル表現に統合する、新しいディープラーニングソリューションである。現在までに最も包括的な免疫原性データセットをコンパイルし、細菌、ウイルス、腫瘍から9,500以上の抗原配列、構造、および免疫原性ラベルを含む。私たちの研究はワクチン設計に有効なツールを提供し、将来の研究に有用なベンチマークを設定します。
論文参考訳（メタデータ） (2024-10-03T16:33:35Z)
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)
A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
論文参考訳（メタデータ） (2023-10-30T02:39:15Z)
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)
xTrimoABFold: De novo Antibody Structure Prediction without MSA [77.47606749555686]
我々は、抗体配列から抗体構造を予測するために、xTrimoABFoldという新しいモデルを開発した。 CDRにおけるドメイン特異的焦点損失のアンサンブル損失とフレーム整合点損失を最小化することにより,PDBの抗体構造をエンドツーエンドにトレーニングした。
論文参考訳（メタデータ） (2022-11-30T09:26:08Z)
Incorporating Pre-training Paradigm for Antibody Sequence-Structure Co-design [134.65287929316673]
深層学習に基づく計算抗体の設計は、人間の経験を補完する可能性のあるデータから自動的に抗体パターンをマイニングするので、注目を集めている。計算手法は高品質な抗体構造データに大きく依存しており、非常に限定的である。幸いなことに、CDRをモデル化し、構造データへの依存を軽減するために有効な抗体の配列データが多数存在する。
論文参考訳（メタデータ） (2022-10-26T15:31:36Z)
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)
AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation [53.43922443725598]
本稿では,CDRH3領域のシリコ設計を効率的に行うための組合せ最適化アルゴリズムAntBOを提案する。 AntBOをベンチマークするために、私たちはAbsolut!ソフトウェアスイートをブラックボックスのオラクルとして使用しています。 200以上のタンパク質の設計において、AntBOは690万の実験的に得られたCDRH3から引き出された最も優れた結合配列より優れた抗体配列を提案することができる。
論文参考訳（メタデータ） (2022-01-29T12:03:04Z)
Deciphering antibody affinity maturation with language models and weakly supervised learning [10.506336354512145]
我々は558万の天然抗体配列に基づいて訓練された言語モデルであるAntiBERTyを紹介する。その結果,レパートリーでは,アフィニティ成熟に類似した抗体を軌跡にまとめることができた。マルチインスタンス学習フレームワークを用いて、冗長なシーケンスを予測するために訓練されたモデルが、プロセスのキーバインディング残基を識別することを示す。
論文参考訳（メタデータ） (2021-12-14T23:05:01Z)
Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。それは最先端技術に対する優れた解釈可能性を示している。接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。