論文の概要: Deciphering antibody affinity maturation with language models and weakly
supervised learning
- arxiv url: http://arxiv.org/abs/2112.07782v1
- Date: Tue, 14 Dec 2021 23:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-16 17:27:50.484384
- Title: Deciphering antibody affinity maturation with language models and weakly
supervised learning
- Title(参考訳): 言語モデルと弱教師付き学習による抗体親和性成熟の解読
- Authors: Jeffrey A. Ruffolo, Jeffrey J. Gray, Jeremias Sulam
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.506336354512145
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In response to pathogens, the adaptive immune system generates specific
antibodies that bind and neutralize foreign antigens. Understanding the
composition of an individual's immune repertoire can provide insights into this
process and reveal potential therapeutic antibodies. In this work, we explore
the application of antibody-specific language models to aid understanding of
immune repertoires. We introduce AntiBERTy, a language model trained on 558M
natural antibody sequences. We find that within repertoires, our model clusters
antibodies into trajectories resembling affinity maturation. Importantly, we
show that models trained to predict highly redundant sequences under a multiple
instance learning framework identify key binding residues in the process. With
further development, the methods presented here will provide new insights into
antigen binding from repertoire sequences alone.
- Abstract(参考訳): 病原体に対する反応として、適応免疫系は異種抗原を結合および中和する特定の抗体を産生する。
個人の免疫レパートリーの組成を理解することは、この過程に関する洞察を与え、潜在的な治療抗体を明らかにすることができる。
本研究では,抗体特異的言語モデルを用いて免疫レパートリーの理解を支援する。
558mの自然抗体配列で訓練された言語モデルであるantibertyを紹介する。
repertoiresでは、モデルが抗体をアフィニティ成熟に似た形容詞にまとめていることが分かりました。
重要なのは、複数のインスタンス学習フレームワークの下で高度に冗長なシーケンスを予測するようにトレーニングされたモデルが、プロセス内の重要なバインディング残基を識別できることである。
さらなる発展により、ここで提示された手法は、レパートリー配列のみから抗原結合に関する新たな洞察を提供する。
関連論文リスト
- AbODE: Ab Initio Antibody Design using Conjoined ODEs [8.523238510909955]
我々は、文脈情報と外部インタラクションの両方に対応するためにグラフPDEを拡張した新しい生成モデルAbODEを開発した。
我々は,AbODEと時間ネットワーク,およびグラフマッチングネットワークの基本的な関係を明らかにする。
論文 参考訳(メタデータ) (2023-05-31T14:40:47Z) - 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) - 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) - Searching for an Effective Defender: Benchmarking Defense against
Adversarial Word Substitution [83.84968082791444]
ディープニューラルネットワークは、意図的に構築された敵の例に対して脆弱である。
ニューラルNLPモデルに対する敵対的単語置換攻撃を防御する様々な方法が提案されている。
論文 参考訳(メタデータ) (2021-08-29T08:11:36Z) - Neural message passing for joint paratope-epitope prediction [0.0]
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。
論文 参考訳(メタデータ) (2021-05-31T16:37:55Z) - On the Transferability of Adversarial Attacksagainst Neural Text
Classifier [121.6758865857686]
テキスト分類モデルの逆例の転送可能性について検討する。
本稿では,ほとんどすべての既存モデルを騙すために,敵の例を誘導できるモデル群を見つける遺伝的アルゴリズムを提案する。
これらの逆例からモデル診断に使用できる単語置換規則を導出する。
論文 参考訳(メタデータ) (2020-11-17T10:45:05Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳(メタデータ) (2020-05-22T15:57:58Z)
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。