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

• Harnessing Preference Optimisation in Protein LMs for Hit Maturation in Cell Therapy [0.5315454965484603]
  細胞と免疫療法は、免疫系を調節することにより、がんや自己免疫疾患などの疾患を治療するための形質転換能を提供する。 これらの治療法の開発は資源集約的であり、薬物候補の大多数は実験室での試験以上の進歩に失敗している。 近年の機械学習の進歩は、タンパク質工学などの領域に革命をもたらし、大規模で標準化されたデータセットの不足や細胞系の複雑さにより、免疫療法の応用は制限され続けている。
  論文  参考訳（メタデータ） (2024-12-02T11:21:58Z)
• Deep Neural Network-Based Prediction of B-Cell Epitopes for SARS-CoV and SARS-CoV-2: Enhancing Vaccine Design through Machine Learning [4.728153103738193]
  B細胞の正確な予測は、SARSやCOVID-19などの感染症に対するワクチン開発を導く上で重要である。 従来のシーケンスベースの手法は、大きな複雑なデータセットに苦しむことが多いが、ディープラーニングは予測精度を有望に改善する。 その結果、新型コロナウイルスの陰性および陽性の症例の予測では82%の総合的精度を示し、陽性サンプルの検出には改善の余地があった。
  論文  参考訳（メタデータ） (2024-11-28T01:54:43Z)
• 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)
• 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)
• 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。