論文の概要: ADCNet: a unified framework for predicting the activity of antibody-drug conjugates

• arxiv url: http://arxiv.org/abs/2401.09176v1
• Date: Wed, 17 Jan 2024 12:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 16:03:07.833267
• Title: ADCNet: a unified framework for predicting the activity of antibody-drug conjugates
• Title（参考訳）: ADCNet : 抗体ドラッグ共役体の活性を予測する統一的フレームワーク
• Authors: Liye Chen, Biaoshun Li, Yihao Chen, Mujie Lin, Shipeng Zhang, Chenxin Li, Yu Pang and Ling Wang
• Abstract要約: ADCNetと呼ばれる統合されたディープラーニングフレームワークを導入し、ADCの設計を支援する。 ADCNetは、タンパク質表現学習言語モデルESM-2と小分子表現学習言語モデルFG-BERTを高度に統合し、活動予測を実現する。 コミュニティの便宜を図るため,最適な ADCNet モデルに基づく ADC 活動予測のためのオンラインプラットフォームを開発した。
• 参考スコア（独自算出の注目度）: 10.505601188252866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antibody-drug conjugate (ADC) has revolutionized the field of cancer treatment in the era of precision medicine due to their ability to precisely target cancer cells and release highly effective drug. Nevertheless, the realization of rational design of ADC is very difficult because the relationship between their structures and activities is difficult to understand. In the present study, we introduce a unified deep learning framework called ADCNet to help design potential ADCs. The ADCNet highly integrates the protein representation learning language model ESM-2 and small-molecule representation learning language model FG-BERT models to achieve activity prediction through learning meaningful features from antigen and antibody protein sequences of ADC, SMILES strings of linker and payload, and drug-antibody ratio (DAR) value. Based on a carefully designed and manually tailored ADC data set, extensive evaluation results reveal that ADCNet performs best on the test set compared to baseline machine learning models across all evaluation metrics. For example, it achieves an average prediction accuracy of 87.12%, a balanced accuracy of 0.8689, and an area under receiver operating characteristic curve of 0.9293 on the test set. In addition, cross-validation, ablation experiments, and external independent testing results further prove the stability, advancement, and robustness of the ADCNet architecture. For the convenience of the community, we develop the first online platform (https://ADCNet.idruglab.cn) for the prediction of ADCs activity based on the optimal ADCNet model, and the source code is publicly available at https://github.com/idrugLab/ADCNet.
• Abstract（参考訳）: 抗体ドラッグ共役薬(ADC)は、がん細胞を正確に標的にし、非常に効果的な薬物を放出する能力により、精密医療の時代におけるがん治療の分野に革命をもたらした。 しかし, ADCの合理的設計の実現は, 構造と活動の関係を理解するのが難しいため, 極めて困難である。 本研究では,ADCNetと呼ばれる統合型ディープラーニングフレームワークを導入し,ADCの設計を支援する。 ADCNetは、タンパク質表現学習言語モデルESM-2と小分子表現学習言語モデルFG-BERTを高度に統合し、ADCの抗原および抗体タンパク質配列、リンカーおよびペイロードのSMILES文字列、薬物抗体比(DAR)値から有意義な特徴を学習することで、活性予測を実現する。 慎重に設計され手動で調整されたADCデータセットに基づいて、広範囲な評価結果から、ADCNetは全ての評価指標のベースライン機械学習モデルと比較して、テストセット上で最高のパフォーマンスを示すことが明らかになった。 例えば、平均予測精度は87.12%、バランス精度は0.8689、受信機の動作特性曲線は0.9293である。 さらに、クロスバリデーション、アブレーション実験、外部独立試験の結果は、ADCNetアーキテクチャの安定性、進歩、堅牢性をさらに証明している。 コミュニティの便宜のために、最適なADCNetモデルに基づくADCsアクティビティの予測のための最初のオンラインプラットフォーム(https://ADCNet.idruglab.cn)を開発し、ソースコードはhttps://github.com/idrugLab/ADCNetで公開されている。

関連論文リスト

• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。 構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。 本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• An Interpretable Machine Learning Model with Deep Learning-based Imaging Biomarkers for Diagnosis of Alzheimer's Disease [4.304406827494684]
  本研究では,EBMの強度と,深層学習に基づく特徴抽出を用いた高次元イメージングデータを組み合わせたフレームワークを提案する。 提案手法は,深層学習機能の代わりにボリュームバイオマーカーを用いたESMモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-08-15T13:54:50Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Compound Density Networks for Risk Prediction using Electronic Health Records [1.1786249372283562]
  複合密度ネットワーク(CDNet)を用いたエンドツーエンド統合手法を提案する。 CDNetは、単一のフレームワーク内で計算方法と予測モデルを調整できるようにする。 我々は,MIMIC-IIIデータセット上での死亡予測タスクにおいてCDNetを検証した。
  論文  参考訳（メタデータ） (2022-08-02T09:04:20Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。