Fugu-MT 論文翻訳(概要): De novo antibody design with SE(3) diffusion

論文の概要: De novo antibody design with SE(3) diffusion

arxiv url: http://arxiv.org/abs/2405.07622v1
Date: Mon, 13 May 2024 10:27:17 GMT
ステータス: 処理完了
システム内更新日: 2024-05-14 14:05:08.639683
Title: De novo antibody design with SE(3) diffusion
Title（参考訳）: SE(3)拡散を用いたデノボ抗体の設計
Authors: Daniel Cutting, Frédéric A. Dreyer, David Errington, Constantin Schneider, Charlotte M. Deane,
Abstract要約: 一般的なタンパク質のバックボーン拡散フレームワークに基づく抗体可変ドメイン拡散モデルであるIgDiffを紹介する。 We found that IgDiff produce highly designable antibody that can contain novel binding region。我々は,そのモデルと,さまざまな抗体設計タスクにおける最先端のバックボーン拡散モデルとの比較を行った。
参考スコア（独自算出の注目度）: 0.3666125285899499
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce IgDiff, an antibody variable domain diffusion model based on a general protein backbone diffusion framework which was extended to handle multiple chains. Assessing the designability and novelty of the structures generated with our model, we find that IgDiff produces highly designable antibodies that can contain novel binding regions. The backbone dihedral angles of sampled structures show good agreement with a reference antibody distribution. We verify these designed antibodies experimentally and find that all express with high yield. Finally, we compare our model with a state-of-the-art generative backbone diffusion model on a range of antibody design tasks, such as the design of the complementarity determining regions or the pairing of a light chain to an existing heavy chain, and show improved properties and designability.
Abstract（参考訳）: IgDiffは、複数の鎖を扱うために拡張された、一般的なタンパク質のバックボーン拡散フレームワークに基づく、抗体変数ドメイン拡散モデルである。 IgDiffは新規な結合領域を含む高度に設計可能な抗体を産生する。試料構造物の背骨二面角は基準抗体分布とよく一致している。我々はこれらの抗体を実験的に検証し、全ての抗体が高収率で発現していることを発見した。最後に,本モデルと,既存の重鎖との相補性決定領域の設計や光鎖のペア化など,さまざまな抗体設計タスクにおける最先端のバックボーン拡散モデルを比較し,特性と設計性を示す。

関連論文リスト

Retrieval Augmented Diffusion Model for Structure-informed Antibody Design and Optimization [8.546688995090491]
抗体は生物の免疫応答に必須のタンパク質である。生成モデルにおける最近の進歩は、合理的抗体設計を著しく強化した。本稿では,効率的な抗体設計のための検索拡張拡散フレームワーク RADAb を提案する。
論文参考訳（メタデータ） (2024-10-19T08:53:01Z)
Improving Antibody Design with Force-Guided Sampling in Diffusion Models [39.94753945046461]
本研究では,力場エネルギーに基づくフィードバックを統合することで拡散モデルのサンプリングプロセスを強化する新しい手法を提案する。我々のモデルであるDiffForceは、拡散サンプリングプロセスの導出に力を使い、2つの分布を効果的にブレンドする。
論文参考訳（メタデータ） (2024-06-09T15:50:35Z)
Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization [51.28231365213679]
我々は,抗原特異的抗体配列構造共設計を,特定の嗜好に対する最適化問題として取り組んだ。そこで本研究では,有理構造と抗原への結合親和性の両方を有する抗体の生成を誘導する,直接エネルギーに基づく選好最適化を提案する。
論文参考訳（メタデータ） (2024-03-25T09:41:49Z)
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)
AbDiffuser: Full-Atom Generation of in vitro Functioning Antibodies [44.149969082612486]
AbDiffuserは、抗体3D構造と配列の同変および物理インフォームド拡散モデルである。我々のアプローチは、ドメイン知識と物理に基づく制約を生かして、タンパク質の拡散を改善する。数値実験では、AbDiffuserが参照集合の配列と構造を綿密に追跡する抗体を生成する能力を示している。
論文参考訳（メタデータ） (2023-07-28T11:57:44Z)
Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文参考訳（メタデータ） (2023-05-31T16:31:24Z)
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)
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)
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。