Fugu-MT 論文翻訳(概要): A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules

論文の概要: A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules

arxiv url: http://arxiv.org/abs/2405.06653v1
Date: Mon, 8 Apr 2024 08:25:25 GMT
ステータス: 処理完了
システム内更新日: 2024-07-01 08:49:26.602257
Title: A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules
Title（参考訳）: HLA分子とTCR分子の抗原結合特異性予測のための統合的クロスアテンションモデル
Authors: Chenpeng Yu, Xing Fang, Hui Liu,
Abstract要約: 抗原とHLA-I/TCR分子との結合親和性は抗原提示とT細胞活性化に重要な役割を果たしている。いくつかの計算手法は、抗原-HLAまたは抗原-TCR結合特異性を予測するために開発されたが、それらは一度に1つのタスクだけに焦点を当てている。我々は,HLA分子とTCR分子の両方への抗原の結合を同時に予測するために,一貫したクロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
参考スコア（独自算出の注目度）: 4.501817929699959
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The immune checkpoint inhibitors have demonstrated promising clinical efficacy across various tumor types, yet the percentage of patients who benefit from them remains low. The binding affinity between antigens and HLA-I/TCR molecules plays a critical role in antigen presentation and T-cell activation. Some computational methods have been developed to predict antigen-HLA or antigen-TCR binding specificity, but they focus solely on one task at a time. In this paper, we propose UnifyImmun, a unified cross-attention transformer model designed to simultaneously predicts the binding of antigens to both HLA and TCR molecules, thereby providing more comprehensive evaluation of antigen immunogenicity. We devise a two-phase progressive training strategy that enables these two tasks to mutually reinforce each other, by compelling the encoders to extract more expressive features. To further enhance the model generalizability, we incorporate virtual adversarial training. Compared to over ten existing methods for predicting antigen-HLA and antigen-TCR binding, our method demonstrates better performance in both tasks. Notably, on a large-scale COVID-19 antigen-TCR binding test set, our method improves performance by at least 9% compared to the current state-of-the-art methods. The validation experiments on three clinical cohorts confirm that our approach effectively predicts immunotherapy response and clinical outcomes. Furthermore, the cross-attention scores reveal the amino acids sites critical for antigen binding to receptors. In essence, our approach marks a significant step towards comprehensive evaluation of antigen immunogenicity.
Abstract（参考訳）: 免疫チェックポイント阻害薬は様々な種類の腫瘍に対して有望な臨床効果を示したが、それらの恩恵を受ける患者の割合は依然として低い。抗原とHLA-I/TCR分子との結合親和性は抗原提示とT細胞活性化に重要な役割を果たしている。いくつかの計算手法は、抗原-HLAまたは抗原-TCR結合特異性を予測するために開発されたが、それらは一度に1つのタスクだけに焦点を当てている。本稿では,HLA分子とTCR分子の両方への抗原の結合を同時に予測し,抗原の免疫原性をより包括的に評価する統合型クロスアテンショントランスフォーマーモデルUnifyImmunを提案する。より表現力のある特徴を抽出するようエンコーダに促すことにより、これらの2つのタスクを相互に強化できる2段階のプログレッシブトレーニング戦略を考案する。モデルの一般化性をさらに高めるため,仮想対角トレーニングを取り入れた。既存の10以上の抗原-HLAおよび抗原-TCR結合予測法と比較して,本手法は両課題において優れた性能を示す。特に,大規模なCOVID-19抗原-TCR結合試験セットでは,現在の最先端手法と比較して,少なくとも9%性能が向上している。 3つの臨床コホートに対する検証実験により,免疫療法の効果と臨床成績を効果的に予測できることが確認された。さらに、クロスアテンションスコアは、受容体への抗原結合に重要なアミノ酸部位を明らかにする。本手法は, 抗原免疫原性に関する総合的な評価に向けた重要な一歩である。

関連論文リスト

Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
論文参考訳（メタデータ） (2024-12-14T03:00:44Z)
DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction [38.358558338444624]
本稿では,TCR-抗原結合親和性予測のためのドメイン適応型ペプチド非依存的学習フレームワークDapPepを紹介する。 DapPepは既存のツールを一貫して上回り、堅牢な一般化能力を示している。腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床課題に有効である。
論文参考訳（メタデータ） (2024-11-26T18:06:42Z)
tcrLM: a lightweight protein language model for predicting T cell receptor and epitope binding specificity [4.120928123714289]
抗がん免疫反応はT細胞受容体(TCR)と抗原の結合に依存しており、腫瘍細胞を除去するために適応免疫を誘導する。本研究では,この課題に対処するために,tcrLMと呼ばれる軽量なマスキング言語モデルを提案する。我々は,1億以上の異なる配列を持つ最大のTCR CDR3 配列を構築し,これらの配列上で tcrLM を事前訓練する。その結果、tcrLMは既存のTCR-抗原結合予測法を上回るだけでなく、他の主要なタンパク質言語モデルよりも優れていることが示された。
論文参考訳（メタデータ） (2024-06-24T08:36:40Z)
Evaluating Zero-Shot Scoring for In Vitro Antibody Binding Prediction with Experimental Validation [0.08968838300743379]
オープンソースモデルに基づく8つの共通スコアリングパラダイムを比較して,抗体設計をバインダーやノンバインダーとして分類する。その結果,既存手法はバインダーの検出に苦慮しており,抗原間では高い変動が認められた。
論文参考訳（メタデータ） (2023-12-07T23:34:03Z)
AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires [6.918664738267051]
本稿では,TCRレパートリーの低次元,解釈可能,構成的表現を学習し,レパートリーの系統的効果を阻害する適応型免疫レパートリー不変変分オートエンコーダ(AIRIVA)を提案する。
論文参考訳（メタデータ） (2023-04-26T14:40:35Z)
Dense Feature Memory Augmented Transformers for COVID-19 Vaccination Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-12-16T13:57:41Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文参考訳（メタデータ） (2021-08-07T15:08:15Z)
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)
PaccMann$^{RL}$ on SARS-CoV-2: Designing antiviral candidates with conditional generative models [2.0750380105212116]
新型コロナウイルス(COVID-19)の世界的なパンデミックへの急速な発展に伴い、世界中の科学者が、効果的な抗ウイルス治療薬を必死に探している。タンパク質標的に適合した抗ウイルス候補薬の条件付きデノボ設計のための深層学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-05-27T11:30:15Z)
Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。