論文の概要: Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer

• arxiv url: http://arxiv.org/abs/2305.09480v4
• Date: Thu, 28 Dec 2023 06:33:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 23:17:37.070912
• Title: Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer
• Title（参考訳）: タンパク複合体不変組込みを有するクロスゲートmlpはワンショット抗体デザイナーである
• Authors: Cheng Tan, Zhangyang Gao, Lirong Wu, Jun Xia, Jiangbin Zheng, Xihong Yang, Yue Liu, Bozhen Hu, Stan Z. Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.97153056120193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antibodies are crucial proteins produced by the immune system in response to foreign substances or antigens. The specificity of an antibody is determined by its complementarity-determining regions (CDRs), which are located in the variable domains of the antibody chains and form the antigen-binding site. Previous studies have utilized complex techniques to generate CDRs, but they suffer from inadequate geometric modeling. Moreover, the common iterative refinement strategies lead to an inefficient inference. In this paper, we propose a \textit{simple yet effective} model that can co-design 1D sequences and 3D structures of CDRs in a one-shot manner. To achieve this, we decouple the antibody CDR design problem into two stages: (i) geometric modeling of protein complex structures and (ii) sequence-structure co-learning. We develop a novel macromolecular structure invariant embedding, typically for protein complexes, that captures both intra- and inter-component interactions among the backbone atoms, including C$\alpha$, N, C, and O atoms, to achieve comprehensive geometric modeling. Then, we introduce a simple cross-gate MLP for sequence-structure co-learning, allowing sequence and structure representations to implicitly refine each other. This enables our model to design desired sequences and structures in a one-shot manner. Extensive experiments are conducted to evaluate our results at both the sequence and structure levels, which demonstrate that our model achieves superior performance compared to the state-of-the-art antibody CDR design methods.
• Abstract（参考訳）: 抗体は異物や抗原に反応して免疫系によって産生される重要なタンパク質である。 抗体の特異性は、抗体鎖の可変領域に位置し、抗原結合部位を形成する相補性決定領域(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。 さらに、反復的な洗練戦略は非効率な推論につながる。 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「textit{simple yet effective}」モデルを提案する。 これを実現するために、抗体CDR設計問題を2段階に分離する。 (i)タンパク質複合体構造の幾何学的モデリング及び (ii)シーケンス構造共学習。 我々は、C$\alpha$,N,C,O原子を含むバックボーン原子間の成分間相互作用を捕捉し、包括的幾何学的モデリングを実現する、タンパク質複合体のための新しいマクロ分子構造不変埋め込みを開発する。 そして、シーケンス構造コラーニングのための単純なクロスゲートMLPを導入し、シーケンスと構造表現を暗黙的に洗練させる。 これにより、モデルが所望のシーケンスと構造をワンショットで設計できる。 その結果,本モデルが最先端の抗体CDR設計法よりも優れた性能を示した。

関連論文リスト

• Retrieval Augmented Diffusion Model for Structure-informed Antibody Design and Optimization [8.546688995090491]
  抗体は生物の免疫応答に必須のタンパク質である。 生成モデルにおける最近の進歩は、合理的抗体設計を著しく強化した。 本稿では,効率的な抗体設計のための検索拡張拡散フレームワーク RADAb を提案する。
  論文  参考訳（メタデータ） (2024-10-19T08:53:01Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• 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)
• 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)
• 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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• 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。