論文の概要: Multi-Task Learning with Loop Specific Attention for CDR Structure Prediction

• arxiv url: http://arxiv.org/abs/2306.13045v1
• Date: Thu, 22 Jun 2023 17:11:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-23 13:38:06.428996
• Title: Multi-Task Learning with Loop Specific Attention for CDR Structure Prediction
• Title（参考訳）: CDR構造予測のためのループ特定注意によるマルチタスク学習
• Authors: Eleni Giovanoudi and Dimitrios Rafailidis
• Abstract要約: 抗体を設計する場合、主な課題はH3ループのCDR構造を予測することである。 本稿では,ループ特定注意を用いたマルチタスク学習モデル,すなわちMLSAを提案する。 さらに,3つのCDRループの構造的,機能的類似点と相違点を考慮し,MLSAのトレーニングにおける各CDRループの影響を制御するループ特異的注意機構を提案する。
• 参考スコア（独自算出の注目度）: 4.568777157687959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Complementarity Determining Region (CDR) structure prediction of loops in antibody engineering has gained a lot of attraction by researchers. When designing antibodies, a main challenge is to predict the CDR structure of the H3 loop. Compared with the other CDR loops, that is the H1 and H2 loops, the CDR structure of the H3 loop is more challenging due to its varying length and flexible structure. In this paper, we propose a Multi-task learning model with Loop Specific Attention, namely MLSA. In particular, to the best of our knowledge we are the first to jointly learn the three CDR loops, via a novel multi-task learning strategy. In addition, to account for the structural and functional similarities and differences of the three CDR loops, we propose a loop specific attention mechanism to control the influence of each CDR loop on the training of MLSA. Our experimental evaluation on widely used benchmark data shows that the proposed MLSA method significantly reduces the prediction error of the CDR structure of the H3 loop, by at least 19%, when compared with other baseline strategies. Finally, for reproduction purposes we make the implementation of MLSA publicly available at https://anonymous.4open.science/r/MLSA-2442/.
• Abstract（参考訳）: 抗体工学におけるループの相補性決定領域(cdr)構造予測は研究者から多くの注目を集めている。 抗体を設計する場合、主な課題はH3ループのCDR構造を予測することである。 H1 と H2 のループである他の CDR ループと比較して、H3 ループの CDR 構造はその長さと柔軟な構造によってより困難である。 本稿では,ループ特定注意を用いたマルチタスク学習モデル,すなわちMLSAを提案する。 特に、私たちの知る限りでは、私たちは新しいマルチタスク学習戦略を通じて、3つのCDRループを共同で学習する最初の人です。 さらに,3つのCDRループの構造的,機能的類似点と相違点を考慮し,MLSAのトレーニングにおける各CDRループの影響を制御するループ特異的注意機構を提案する。 ベンチマークデータを用いた実験により,提案手法はh3ループのcdr構造の予測誤差を,他のベースライン戦略と比較した場合,少なくとも19%低減することを示した。 最後に、再生のためにMLSAの実装をhttps://anonymous.4open.science/r/MLSA-2442/で公開します。

関連論文リスト

• Provably Efficient RLHF Pipeline: A Unified View from Contextual Bandits [59.30310692855397]
  本稿では,RLHFパイプラインをコンテキスト的帯域幅の観点から統一したフレームワークを提案する。 RLHFプロセスは、(ポスト-)トレーニングとデプロイメントの2つのステージに分解します。 次に,各ステージごとに新しいアルゴリズムを開発し,統計的および計算効率の両面で有意な改善を示す。
  論文  参考訳（メタデータ） (2025-02-11T02:36:01Z)
• ARR: Question Answering with Large Language Models via Analyzing, Retrieving, and Reasoning [22.825527641316192]
  大規模言語モデル(LLM)は、複数選択質問応答(QA)タスクとして構成された挑戦的なベンチマークにおいて、顕著なパフォーマンスを達成する。 本稿では,QA解決における3つの重要なステップを明示的に組み込んだ直感的で効果的なゼロショットプロンプト手法であるARRを紹介した。
  論文  参考訳（メタデータ） (2025-02-07T06:30:33Z)
• Chain-of-Retrieval Augmented Generation [72.06205327186069]
  本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。 提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
  論文  参考訳（メタデータ） (2025-01-24T09:12:52Z)
• Sharp Analysis for KL-Regularized Contextual Bandits and RLHF [52.519416266840814]
  Reverse-Kullback-Leibler (KL) 正則化は、強化学習におけるポリシー最適化を強化する主要な手法である。 単純な2段階混合サンプリング戦略は, カバー係数に付加的な依存しか持たずに, サンプルの複雑さを達成できることが示される。 この結果は,より効率的なRLHFアルゴリズムの設計に光を当て,KL正規化とRLHFにおけるデータカバレッジの役割を包括的に理解するものである。
  論文  参考訳（メタデータ） (2024-11-07T11:22:46Z)
• MMA-RNN: A Multi-level Multi-task Attention-based Recurrent Neural Network for Discrimination and Localization of Atrial Fibrillation [1.8037893225125925]
  本稿では,多段階マルチタスク・アテンションに基づくリカレントニューラルネットワークを提案する。 このモデルは、情報インタラクションを強化し、エラーの蓄積を減らすためのエンドツーエンドフレームワークとして設計されている。
  論文  参考訳（メタデータ） (2023-02-07T19:59:55Z)
• 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)
• 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)
• Cross-Domain Recommendation: Challenges, Progress, and Prospects [21.60393384976869]
  クロスドメインレコメンデーション(CDR)は、スパーサードメインのレコメンデーションパフォーマンスを改善するために、よりリッチなドメインからの比較的リッチな情報を活用するために提案されている。 本稿では,課題,研究の進展,今後の方向性など,既存のCDRアプローチの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2021-03-02T12:58:08Z)
• Generalizing Cross-Document Event Coreference Resolution Across Multiple Corpora [63.429307282665704]
  クロスドキュメントイベントコア参照解決(CDCR)は、文書の集合全体にわたってイベントの特定とクラスタ化を行う必要があるNLPタスクである。 CDCRは、下流のマルチドキュメントアプリケーションに利益をもたらすことを目標としているが、CDCRの適用による改善はまだ示されていない。 これまでのCDCRシステムは,1つのコーパスでのみ開発,トレーニング,テストが行われた。
  論文  参考訳（メタデータ） (2020-11-24T17:45:03Z)
• Deep Reinforcement Learning using Cyclical Learning Rates [62.19441737665902]
  勾配降下(SGD)に基づく最適化手順における最も影響力のあるパラメータの1つは、学習率である。 循環学習について検討し,様々なDRL問題に対する一般循環学習率の定義法を提案する。 本実験により, 循環学習は, 高度に調整された固定学習率よりも, 類似あるいは良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-07-31T10:06:02Z)
• Searching Central Difference Convolutional Networks for Face Anti-Spoofing [68.77468465774267]
  顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。 最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。 ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T12:48:37Z)

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。