論文の概要: A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design

• arxiv url: http://arxiv.org/abs/2311.16126v1
• Date: Mon, 30 Oct 2023 02:39:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:29:46.804571
• Title: A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design
• Title（参考訳）: 抗体構造系列共設計のための階層的学習パラダイム
• Authors: Fang Wu, Stan Z. Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 54.30457372514873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Therapeutic antibodies are an essential and rapidly expanding drug modality. The binding specificity between antibodies and antigens is decided by complementarity-determining regions (CDRs) at the tips of these Y-shaped proteins. In this paper, we propose a hierarchical training paradigm (HTP) for the antibody sequence-structure co-design. HTP consists of four levels of training stages, each corresponding to a specific protein modality within a particular protein domain. Through carefully crafted tasks in different stages, HTP seamlessly and effectively integrates geometric graph neural networks (GNNs) with large-scale protein language models to excavate evolutionary information from not only geometric structures but also vast antibody and non-antibody sequence databases, which determines ligand binding pose and strength. Empirical experiments show that HTP sets the new state-of-the-art performance in the co-design problem as well as the fix-backbone design. Our research offers a hopeful path to unleash the potential of deep generative architectures and seeks to illuminate the way forward for the antibody sequence and structure co-design challenge.
• Abstract（参考訳）: 治療抗体は必須であり、急速に拡大する薬物モダリティである。 抗体と抗原の結合特異性は、これらのY型タンパク質の先端における相補性決定領域(CDR)によって決定される。 本稿では,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段階のトレーニングステージからなり、それぞれ特定のタンパク質ドメイン内の特定のタンパク質モダリティに対応する。 異なる段階のタスクを慎重に作成することで、HTPは幾何グラフニューラルネットワーク(GNN)を大規模タンパク質言語モデルとシームレスかつ効果的に統合し、幾何学構造だけでなく、巨大な抗体や非抗体配列データベースから進化情報を抽出し、リガンド結合のポーズと強度を決定する。 実証実験により、HTPは、共同設計問題と固定バックボーン設計において、新しい最先端性能を設定できることが示されている。 我々の研究は、深い生成的アーキテクチャの可能性を解き明かし、抗体配列と構造共設計の課題への道のりを照らそうとしている。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• AbODE: Ab Initio Antibody Design using Conjoined ODEs [8.523238510909955]
  我々は、文脈情報と外部インタラクションの両方に対応するためにグラフPDEを拡張した新しい生成モデルAbODEを開発した。 我々は,AbODEと時間ネットワーク,およびグラフマッチングネットワークの基本的な関係を明らかにする。
  論文  参考訳（メタデータ） (2023-05-31T14:40:47Z)
• 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)
• 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)
• 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)
• 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。