論文の概要: Improved proteasomal cleavage prediction with positive-unlabeled learning

• arxiv url: http://arxiv.org/abs/2209.07527v1
• Date: Wed, 14 Sep 2022 11:29:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 13:36:20.143568
• Title: Improved proteasomal cleavage prediction with positive-unlabeled learning
• Title（参考訳）: 正の未ラベル学習によるプロテアソーム切断予測の改善
• Authors: Emilio Dorigatti, Bernd Bischl, Benjamin Schubert
• Abstract要約: 本稿では,拡張データセットと正の未ラベル学習のソリッド理論スペクトロメトリを用いて学習した新しい予測器を提案する。 改良された予測能力により、より正確なワクチン開発が可能になる。
• 参考スコア（独自算出の注目度）: 0.9023847175654603
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate in silico modeling of the antigen processing pathway is crucial to enable personalized epitope vaccine design for cancer. An important step of such pathway is the degradation of the vaccine into smaller peptides by the proteasome, some of which are going to be presented to T cells by the MHC complex. While predicting MHC-peptide presentation has received a lot of attention recently, proteasomal cleavage prediction remains a relatively unexplored area in light of recent advances in high-throughput mass spectrometry-based MHC ligandomics. Moreover, as such experimental techniques do not allow to identify regions that cannot be cleaved, the latest predictors generate synthetic negative samples and treat them as true negatives when training, even though some of them could actually be positives. In this work, we thus present a new predictor trained with an expanded dataset and the solid theoretical underpinning of positive-unlabeled learning, achieving a new state-of-the-art in proteasomal cleavage prediction. The improved predictive capabilities will in turn enable more precise vaccine development improving the efficacy of epitope-based vaccines. Code and pretrained models are available at https://github.com/SchubertLab/proteasomal-cleavage-puupl.
• Abstract（参考訳）: 癌に対するパーソナライズされたエピトープワクチン設計を可能にするために、抗原処理経路のシリコモデリングの精度が重要である。 この経路の重要なステップは、プロテアソームによるワクチンのより小さなペプチドへの分解であり、そのうちのいくつかはMHC複合体によってT細胞に提示される。 MHC-ペプチドの提示は近年注目されているが、高出力質量分析に基づくMHCリガンドミクスの最近の進歩を踏まえ、プロテアソーム切断予測は比較的未解明領域である。 さらに、そのような実験手法では、切断できない領域を特定できないため、最新の予測器は、実際に正であるとしても、合成陰性サンプルを生成して、トレーニング時に真の負として扱う。 そこで本研究では,拡張データセットと正の未ラベル学習の確固たる理論的基盤を訓練した新しい予測器を提案する。 予測能力の向上により、エピトープベースのワクチンの有効性を向上させるより正確なワクチン開発が可能になる。 コードと事前トレーニングされたモデルはhttps://github.com/schubertlab/proteasomal-cleavage-puuplで入手できる。

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)
• Opponent Shaping for Antibody Development [49.26728828005039]
  抗ウイルス療法は通常、ウイルスの現在の株のみを標的とするように設計されている。 治療によって誘導される選択的圧力はウイルスに作用し、変異株の出現を誘導し、初期治療が効果を低下させる。 我々は、ウイルスの進化的脱出の遺伝的シミュレーションを実装するために、抗体とウイルス抗原の結合の計算モデルを構築した。
  論文  参考訳（メタデータ） (2024-09-16T14:56:27Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
  本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。 そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。 最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-09-05T09:18:29Z)
• 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)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Dense Feature Memory Augmented Transformers for COVID-19 Vaccination Search Classification [60.49594822215981]
  本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。 本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。 この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-12-16T13:57:41Z)
• 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)
• 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)
• Uncertainty Estimation in SARS-CoV-2 B-cell Epitope Prediction for Vaccine Development [0.36130723421895944]
  臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。 臨床医のテクノロジーに対する信頼を得るには、予測にどのくらいの信頼性があるかを知ることも不可欠です。
  論文  参考訳（メタデータ） (2021-03-20T17:10:49Z)
• 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。