論文の概要: MATE-Pred: Multimodal Attention-based TCR-Epitope interaction Predictor
- arxiv url: http://arxiv.org/abs/2401.08619v1
- Date: Tue, 5 Dec 2023 11:30:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 09:49:15.817315
- Title: MATE-Pred: Multimodal Attention-based TCR-Epitope interaction Predictor
- Title(参考訳): MATE-Pred:マルチモーダルアテンションに基づくTCR-Epitopeインタラクション予測器
- Authors: Etienne Goffinet, Raghvendra Mall, Ankita Singh, Rahul Kaushik and
Filippo Castiglione
- Abstract要約: T細胞受容体と細胞間の正確な結合予測は、免疫療法の成功戦略に決定的に寄与する。
本稿では,T細胞受容体と親和性結合機構の注意に基づく予測を行う,信頼性の高い新しい手法であるMATE-Predを提案する。
MATE-Predのパフォーマンスは、薬物発見における潜在的な応用を予想している。
- 参考スコア(独自算出の注目度): 1.933856957193398
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: An accurate binding affinity prediction between T-cell receptors and epitopes
contributes decisively to develop successful immunotherapy strategies. Some
state-of-the-art computational methods implement deep learning techniques by
integrating evolutionary features to convert the amino acid residues of cell
receptors and epitope sequences into numerical values, while some other methods
employ pre-trained language models to summarize the embedding vectors at the
amino acid residue level to obtain sequence-wise representations.
Here, we propose a highly reliable novel method, MATE-Pred, that performs
multi-modal attention-based prediction of T-cell receptors and epitopes binding
affinity. The MATE-Pred is compared and benchmarked with other deep learning
models that leverage multi-modal representations of T-cell receptors and
epitopes. In the proposed method, the textual representation of proteins is
embedded with a pre-trained bi-directional encoder model and combined with two
additional modalities: a) a comprehensive set of selected physicochemical
properties; b) predicted contact maps that estimate the 3D distances between
amino acid residues in the sequences.
The MATE-Pred demonstrates the potential of multi-modal model in achieving
state-of-the-art performance (+8.4\% MCC, +5.5\% AUC compared to baselines) and
efficiently capturing contextual, physicochemical, and structural information
from amino acid residues. The performance of MATE-Pred projects its potential
application in various drug discovery regimes.
- Abstract(参考訳): T細胞受容体とエピトープ間の正確な結合親和性予測は、免疫療法戦略の確立に決定的に寄与する。
いくつかの最先端の計算手法は、進化的特徴を統合して、細胞受容体とエピトープ配列のアミノ酸残基を数値に変換することによって深層学習技術を実装し、他のいくつかの方法は、事前訓練された言語モデルを用いて、アミノ酸残基レベルの埋め込みベクトルを要約し、シーケンスワイズ表現を得る。
本稿では,T細胞受容体とエピトープ結合親和性のマルチモーダルアテンションに基づく予測を行う,信頼性の高い新しい手法であるMATE-Predを提案する。
MATE-Predは、T細胞受容体とエピトープのマルチモーダル表現を利用する他のディープラーニングモデルと比較し、ベンチマークする。
提案手法では,タンパク質のテキスト表現を事前学習した双方向エンコーダモデルに埋め込み,さらに2つのモダリティを組み合わせる。
a) 選択された物理化学的性質の包括的集合
b) 配列中のアミノ酸残基間の3次元距離を推定する接触地図。
MATE-Predは、最先端の性能(ベースラインに比べて+8.4\% MCC、+5.5\% AUC)を達成する上でのマルチモーダルモデルの可能性を示し、文脈、物理化学的、構造情報をアミノ酸残基から効率的に捉える。
MATE-Predのパフォーマンスは、様々な薬物発見体制における潜在的な応用を計画している。
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) - 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) - Autoregressive Enzyme Function Prediction with Multi-scale Multi-modality Fusion [11.278610817877578]
MAPredは、タンパク質のEC数を自動回帰予測するために設計された、新しいマルチモダリティおよびマルチスケールモデルである。
MAPredは、タンパク質の一次アミノ酸配列と3Dトークンの両方を統合し、包括的なタンパク質の特徴を捉えるために二重経路アプローチを用いる。
New-392、Price、New-815を含むベンチマークデータセットの評価は、我々の手法が既存のモデルより優れていることを示す。
論文 参考訳(メタデータ) (2024-08-11T08:28:43Z) - Multi-Peptide: Multimodality Leveraged Language-Graph Learning of Peptide Properties [5.812284760539713]
Multi-Peptideは、トランスフォーマーベースの言語モデルとグラフニューラルネットワーク(GNN)を組み合わせてペプチドの性質を予測する革新的なアプローチである。
溶血性データセットおよび非汚泥性データセットの評価は、多ペプチドの堅牢性を示し、溶血性予測における最先端86.185%の精度を達成する。
本研究は, 生体情報学におけるマルチモーダル学習の可能性を強調し, ペプチドを用いた研究・応用における正確かつ信頼性の高い予測方法を模索する。
論文 参考訳(メタデータ) (2024-07-02T20:13:47Z) - Improving Paratope and Epitope Prediction by Multi-Modal Contrastive Learning and Interaction Informativeness Estimation [8.403085770216313]
パラトピーおよびエピトープ予測のためのマルチモーダル・コントラスト学習とインタラクション情報度推定に基づく新しい手法MIPEを提案する。
MIPEはマルチモーダルなコントラスト学習戦略を実装し、各モーダル内の結合残基と非結合残基の表現を最大化する。
空間的相互作用情報を利用するために、MIPEは抗体と抗原の相互作用行列を推定する相互作用情報性推定も組み込んでいる。
論文 参考訳(メタデータ) (2024-05-31T08:09:36Z) - PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for
Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。
既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。
CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-13T03:51:10Z) - Co-modeling the Sequential and Graphical Routes for Peptide
Representation Learning [67.66393016797181]
本稿では,表現の相互情報を強化するためのペプチド共モデリング手法RepConを提案する。
RepConは、正のサンプルペア間の表現の一貫性を高め、負のペア間の表現を撃退することを学ぶ。
この結果から,コモデリング手法が独立モデルよりも優れていること,コモデリングフレームワーク下での他の手法よりもRepConの方が優れていることが示唆された。
論文 参考訳(メタデータ) (2023-10-04T16:58:25Z) - 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) - From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。
CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。
熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文 参考訳(メタデータ) (2022-08-19T14:55:12Z) - Ranking-based Convolutional Neural Network Models for Peptide-MHC
Binding Prediction [15.932922003001034]
MHCクラスI分子に結合するペプチドの同定は、ペプチドワクチンの設計において重要な役割を果たす。
我々は,結合予測問題に対処するため,ConvMとSpConvMというアレル固有CNNベースの2つの手法を開発した。
論文 参考訳(メタデータ) (2020-12-04T20:40:36Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z)
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。