Fugu-MT 論文翻訳(概要): Inverse folding for antibody sequence design using deep learning

論文の概要: Inverse folding for antibody sequence design using deep learning

arxiv url: http://arxiv.org/abs/2310.19513v1
Date: Mon, 30 Oct 2023 13:12:41 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 20:21:19.062761
Title: Inverse folding for antibody sequence design using deep learning
Title（参考訳）: 深層学習を用いた抗体配列設計のための逆折り畳み
Authors: Fr\'ed\'eric A. Dreyer, Daniel Cutting, Constantin Schneider, Henry Kenlay, Charlotte M. Deane
Abstract要約: 本稿では, 抗体構造に特異的に最適化した, 精密な折り畳み逆モデルを提案する。本研究では、相補性決定領域の標準的コンフォーメーションについて検討し、これらのループの既知のクラスタへの符号化を改善した。
参考スコア（独自算出の注目度）: 2.8998926117101367
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of antibody sequence design given 3D structural information. Building on previous work, we propose a fine-tuned inverse folding model that is specifically optimised for antibody structures and outperforms generic protein models on sequence recovery and structure robustness when applied on antibodies, with notable improvement on the hypervariable CDR-H3 loop. We study the canonical conformations of complementarity-determining regions and find improved encoding of these loops into known clusters. Finally, we consider the applications of our model to drug discovery and binder design and evaluate the quality of proposed sequences using physics-based methods.
Abstract（参考訳）: 3次元構造情報に基づく抗体配列設計の問題を考える。先行研究に基づき,cdr-h3ループの著明な改善とともに,抗体構造に特化し,配列回復と構造ロバスト性に関する汎用タンパク質モデルよりも優れる,微調整された逆折り畳みモデルを提案する。相補性決定領域の正準配座を研究し、これらのループの既知のクラスターへの符号化を改善した。最後に, 薬物発見およびバインダー設計へのモデルの適用を考察し, 物理学に基づく手法を用いて提案する配列の品質評価を行った。

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)
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)
Decoupled Sequence and Structure Generation for Realistic Antibody Design [45.72237864940556]
本稿では, 配列生成と構造予測を分離した抗体配列構造デカップリング(ASSD)フレームワークを提案する。また、広く使われている非自己回帰生成器は、過度に繰り返されるトークンを含むシーケンスを促進する。以上の結果から,ASSDは既存の抗体設計モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2024-02-08T13:02:05Z)
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)
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)
Structured Q-learning For Antibody Design [82.78798397798533]
抗体設計における重要なステップの1つは、病原体との結合を改善するタンパク質配列中のアミノ酸の配列を見つけることである。非常に大きな探索空間と非線形目的のために、抗体の組合せ最適化は困難である。従来の強化学習を抗体設計の最適化に適用すると、性能は低下する。本稿では,Q-ラーニングの拡張であるQ-ラーニングを提案する。
論文参考訳（メタデータ） (2022-09-10T15:36:55Z)
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)
Benchmarking deep generative models for diverse antibody sequence design [18.515971640245997]
シーケンスのみから、あるいはシーケンスと構造を共同で学習する深層生成モデルは、このタスクにおいて印象的なパフォーマンスを示している。最近提案されたタンパク質設計のための3つの深い生成フレームワークについて考察する: (AR) 配列ベースの自己回帰生成モデル、(GVP) 正確な構造ベースのグラフニューラルネットワーク、そして3次元折り畳みのファジィでスケールフリーな表現を利用するFold2Seq。我々は,これらのモデルを,機能的含意に高い多様性を持つ設計配列を必要とする抗体配列の計算設計のタスクに基づいてベンチマークする。
論文参考訳（メタデータ） (2021-11-12T16:23:32Z)
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。