論文の概要: Anfinsen Goes Neural: a Graphical Model for Conditional Antibody Design

• arxiv url: http://arxiv.org/abs/2402.05982v1
• Date: Thu, 8 Feb 2024 13:02:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-12 19:06:46.737386
• Title: Anfinsen Goes Neural: a Graphical Model for Conditional Antibody Design
• Title（参考訳）: anfinsen goes neural:条件付き抗体設計のためのグラフィカルモデル
• Authors: Nayoung Kim, Minsu Kim, Jinkyoo Park
• Abstract要約: Anfinsen Goes Neural(AGN)は、Anfinsen's dogmaと呼ばれるタンパク質をコードするグラフィカルモデルである。 我々のフレームワークは、pLMによるシーケンス生成とグラフニューラルネットワーク(GNN)による構造予測の2段階プロセスに従う。 実験により,本手法はベンチマーク実験において最先端の結果より優れていることが示された。
• 参考スコア（独自算出の注目度）: 44.28649585100881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antibody design plays a pivotal role in advancing therapeutics. Although deep learning has made rapid progress in this field, existing methods make limited use of general protein knowledge and assume a graphical model (GM) that violates empirical findings on proteins. To address these limitations, we present Anfinsen Goes Neural (AGN), a graphical model that uses a pre-trained protein language model (pLM) and encodes a seminal finding on proteins called Anfinsen's dogma. Our framework follows a two-step process of sequence generation with pLM and structure prediction with graph neural network (GNN). Experiments show that our approach outperforms state-of-the-art results on benchmark experiments. We also address a critical limitation of non-autoregressive models -- namely, that they tend to generate unrealistic sequences with overly repeating tokens. To resolve this, we introduce a composition-based regularization term to the cross-entropy objective that allows an efficient trade-off between high performance and low token repetition. We demonstrate that our approach establishes a Pareto frontier over the current state-of-the-art. Our code is available at https://github.com/lkny123/AGN.
• Abstract（参考訳）: 抗体設計は治療の進行に重要な役割を果たしている。 ディープラーニングはこの分野で急速に進歩しているが、既存の手法では一般的なタンパク質の知識を限定的に利用し、タンパク質の実証的な発見に反するグラフィカルモデル(GM)を仮定している。 これらの制限に対処するために,プリトレーニングタンパク質言語モデル(plm)を使用して,anfinsen's dogmaと呼ばれるタンパク質の独創的発見をコードするグラフィックモデルであるanfinsen goes neural(agn)を提案する。 我々のフレームワークは、pLMによるシーケンス生成とグラフニューラルネットワーク(GNN)による構造予測の2段階のプロセスに従う。 ベンチマーク実験において,本手法が最先端の成果を上回っていることを示す実験を行った。 また、非自己回帰モデルの限界、すなわち過剰な繰り返しトークンを含む非現実的なシーケンスを生成する傾向があることにも対処します。 これを解決するために,クロスエントロピー目的に合成に基づく正規化項を導入し,高い性能と低いトークン繰り返しの効率的なトレードオフを可能にする。 われわれのアプローチが現在最先端のParetoフロンティアを確立することを実証する。 私たちのコードはhttps://github.com/lkny123/agnで利用可能です。

関連論文リスト

• Inverse folding for antibody sequence design using deep learning [2.8998926117101367]
  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。
  論文  参考訳（メタデータ） (2023-10-30T13:12:41Z)
• 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)
• Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
  抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。 近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。 これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
  論文  参考訳（メタデータ） (2022-10-05T20:44:55Z)
• 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)
• Self-Reflective Variational Autoencoder [21.054722609128525]
  変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。 自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。 実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
  論文  参考訳（メタデータ） (2020-07-10T05:05:26Z)

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。