論文の概要: Conditional Antibody Design as 3D Equivariant Graph Translation
- arxiv url: http://arxiv.org/abs/2208.06073v1
- Date: Fri, 12 Aug 2022 01:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:42:25.938129
- Title: Conditional Antibody Design as 3D Equivariant Graph Translation
- Title（参考訳）: 3次元同変グラフ翻訳における条件付き抗体設計
- Authors: Xiangzhe Kong, Wenbing Huang, Yang Liu
- Abstract要約: マルチチャネル等価アテンションネットワーク(MEAN)は、CDRの1Dシーケンスと3D構造を共設計できるエンド・ツー・エンドのモデルである。
本手法は, 配列および構造モデリング, 抗原結合抗体設計, 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。
- 参考スコア（独自算出の注目度）: 28.199522831859998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Antibody design is valuable for therapeutic usage and biological research.
Existing deep-learning-based methods encounter several key issues: 1)
incomplete context for Complementarity-Determining Regions (CDRs) generation;
2) incapable of capturing the entire 3D geometry of the input structure; 3)
inefficient prediction of the CDR sequences in an autoregressive manner. In
this paper, we propose Multi-channel Equivariant Attention Network (MEAN), an
end-to-end model that is able to co-design 1D sequences and 3D structures of
CDRs. To be specific, MEAN formulates antibody design as a conditional graph
translation problem by importing extra components including the target antigen
and the light chain of the antibody. Then, MEAN resorts to E(3)-equivariant
message passing along with a proposed attention mechanism to better capture the
geometrical correlation between different components. Finally, it outputs both
the 1D sequences and 3D structure via a multi-round progressive full-shot
scheme, which enjoys more efficiency against previous autoregressive
approaches. Our method significantly surpasses state-of-the-art models in
sequence and structure modeling, antigen-binding antibody design, and binding
affinity optimization. Specifically, the relative improvement to baselines is
about 22% in antigen-binding CDR design and 34% for affinity optimization.
- Abstract（参考訳）: 抗体設計は治療用および生物学的研究に有用である。
既存のディープラーニングベースの手法は、いくつかの重要な問題に遭遇する。
1) 相補性決定領域(cdr)生成の不完全コンテキスト
2) 入力構造の3次元形状全体を取得することができない。
3) 自己回帰的にCDR配列の非効率な予測を行う。
本稿では,CDRの1次元配列と3次元構造を共設計可能なエンドツーエンドモデルであるMulti- Channel Equivariant Attention Network (MEAN)を提案する。
具体的には、ターゲット抗原及び抗体の軽鎖を含む余分な成分を輸入することにより、条件付きグラフ翻訳問題として抗体設計を行う。
次にMEANは、E(3)-同変メッセージパッシングと、異なるコンポーネント間の幾何学的相関をよりよく捉えるための注意機構を提案する。
最後に、複数ラウンドのプログレッシブフルショットスキームにより、1Dシーケンスと3D構造の両方を出力し、従来の自己回帰アプローチよりも効率がよい。
本手法は, 配列および構造モデリング, 抗原結合抗体設計, 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。
特に、ベースラインに対する相対的な改善は、抗原結合性CDR設計の22%、親和性最適化の34%である。
関連論文リスト
- 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) - 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) - 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) - 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) - Simple End-to-end Deep Learning Model for CDR-H3 Loop Structure
Prediction [0.0]
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。
論文 参考訳（メタデータ） (2021-11-20T18:55:09Z) - Iterative Refinement Graph Neural Network for Antibody
Sequence-Structure Co-design [35.215029426177004]
そこで本研究では,結合特異性や中和機能を増強した抗体を自動設計する生成モデルを提案する。
本手法は,SARS-CoV-2ウイルスを中和可能な抗体の設計において,テストセット上で優れたログライクレーションを実現し,過去のベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-10-09T18:23:32Z)
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。