論文の概要: Simple End-to-end Deep Learning Model for CDR-H3 Loop Structure
Prediction
- arxiv url: http://arxiv.org/abs/2111.10656v1
- Date: Sat, 20 Nov 2021 18:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 11:57:46.808252
- Title: Simple End-to-end Deep Learning Model for CDR-H3 Loop Structure
Prediction
- Title(参考訳): CDR-H3ループ構造予測のための簡易エンドツーエンドディープラーニングモデル
- Authors: Natalia Zenkova, Ekaterina Sedykh, Tatiana Shugaeva, Vladislav
Strashko, Timofei Ermak, Aleksei Shpilman
- Abstract要約: 本稿では,CDR H3のループ構造を,最先端の手法と同等に予測するエンド・ツー・エンドモデルを提案する。
また、一般的に使われているRosetaAntibodyベンチマークによって、データリークにつながる問題も提起します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting a structure of an antibody from its sequence is important since it
allows for a better design process of synthetic antibodies that play a vital
role in the health industry. Most of the structure of an antibody is
conservative. The most variable and hard-to-predict part is the {\it third
complementarity-determining region of the antibody heavy chain} (CDR H3).
Lately, deep learning has been employed to solve the task of CDR H3 prediction.
However, current state-of-the-art methods are not end-to-end, but rather they
output inter-residue distances and orientations to the RosettaAntibody package
that uses this additional information alongside statistical and physics-based
methods to predict the 3D structure. This does not allow a fast screening
process and, therefore, inhibits the development of targeted synthetic
antibodies. In this work, we present an end-to-end model to predict CDR H3 loop
structure, that performs on par with state-of-the-art methods in terms of
accuracy but an order of magnitude faster. We also raise an issue with a
commonly used RosettaAntibody benchmark that leads to data leaks, i.e., the
presence of identical sequences in the train and test datasets.
- Abstract(参考訳): 抗体の構造をその配列から予測することは、健康産業において重要な役割を果たす合成抗体の設計プロセスを改善するために重要である。
抗体の構造のほとんどは保守的である。
最も可変で予測が難しい部分は、抗体重鎖の3番目の相補性決定領域(CDR H3)である。
近年,CDR H3予測の課題を解決するためにディープラーニングが採用されている。
しかし、現在の最先端の手法はエンドツーエンドではなく、3d構造の予測に統計学的および物理学的手法とともにこの追加情報を使用するrosettaantibodyパッケージに、residue間距離と向きを出力している。
これにより高速なスクリーニングは不可能であり、そのため標的となる合成抗体の開発を阻害する。
本研究では,cdr h3ループ構造を予測するためのエンド・ツー・エンドモデルを提案する。
また、一般的なRosettaAntibodyベンチマークでは、データリーク、すなわち、列車とテストデータセットに同じシーケンスが存在するという問題も提起しています。
関連論文リスト
- Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。
さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
論文 参考訳(メタデータ) (2024-12-14T03:00:44Z) - Efficient Antibody Structure Refinement Using Energy-Guided SE(3) Flow Matching [16.192361788505558]
FlowABはエネルギー誘導型フローマッチングに基づく新規な抗体構造精製法である。
適切な先行モデルと組み合わせて使用する場合、抗体構造予測タスクにおいて、新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2024-10-22T04:13:55Z) - AntibodyFlow: Normalizing Flow Model for Designing Antibody Complementarity-Determining Regions [9.427196604657215]
セラピー抗体(Therapeutic antibody)は、抗原にロック・ツー・キーで結合する特殊な保護タンパク質である。
抗体と特定の抗原との結合強度/親和性は、抗体上の相補性決定領域(CDR)によって決定される。
既存の機械学習手法は、CDRのシークエンスまたは3Dグラフの生成タスクとして、シリコ開発に使用されている。
論文 参考訳(メタデータ) (2024-06-19T02:31:23Z) - Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot
Antibody Designer [58.97153056120193]
抗体の特異性は、その相補性決定領域(CDR)によって決定される
従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。
本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
論文 参考訳(メタデータ) (2023-04-21T13:24:26Z) - End-to-End Full-Atom Antibody Design [28.199522831859998]
現在の学習ベースの手法には2つの大きな欠陥があり、それらが最適でないかリソース集約的である。
E(3) 抗体設計のためのエンド・ツー・エンドフル原子モデルである動的マルチチャネル等価型graAph Network (dyMEAN) を提案する。
1D配列と3D構造は、完全な原子を考える際に、可変サイズのタンパク質残基を処理できる適応型マルチチャネルエンコーダによって更新される。
CDR-H3設計、複雑な構造予測、親和性最適化の実験は、我々のエンドツーエンドフレームワークとフル原子モデリングの優位性を実証している。
論文 参考訳(メタデータ) (2023-02-01T03:13:19Z) - Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。
RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
論文 参考訳(メタデータ) (2022-12-02T16:34:56Z) - 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) - Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。
近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。
これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
論文 参考訳(メタデータ) (2022-10-05T20:44:55Z) - Conditional Antibody Design as 3D Equivariant Graph Translation [28.199522831859998]
我々は,CDRの1次元配列と3次元構造を共設計するためのマルチチャネル等価アテンションネットワーク(MEAN)を提案する。
本手法は, 配列および構造モデリング, 抗原結合型CDR設計, 結合親和性最適化における最先端モデルを大幅に超えている。
論文 参考訳(メタデータ) (2022-08-12T01:00:59Z)
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。