論文の概要: Improving Paratope and Epitope Prediction by Multi-Modal Contrastive Learning and Interaction Informativeness Estimation
- arxiv url: http://arxiv.org/abs/2405.20668v1
- Date: Fri, 31 May 2024 08:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 15:16:48.608866
- Title: Improving Paratope and Epitope Prediction by Multi-Modal Contrastive Learning and Interaction Informativeness Estimation
- Title（参考訳）: マルチモーダルコントラスト学習と相互作用インフォマティクス推定によるパラトープとエピトープ予測の改善
- Authors: Zhiwei Wang, Yongkang Wang, Wen Zhang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.403085770216313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately predicting antibody-antigen binding residues, i.e., paratopes and epitopes, is crucial in antibody design. However, existing methods solely focus on uni-modal data (either sequence or structure), disregarding the complementary information present in multi-modal data, and most methods predict paratopes and epitopes separately, overlooking their specific spatial interactions. In this paper, we propose a novel Multi-modal contrastive learning and Interaction informativeness estimation-based method for Paratope and Epitope prediction, named MIPE, by using both sequence and structure data of antibodies and antigens. MIPE implements a multi-modal contrastive learning strategy, which maximizes representations of binding and non-binding residues within each modality and meanwhile aligns uni-modal representations towards effective modal representations. To exploit the spatial interaction information, MIPE also incorporates an interaction informativeness estimation that computes the estimated interaction matrices between antibodies and antigens, thereby approximating them to the actual ones. Extensive experiments demonstrate the superiority of our method compared to baselines. Additionally, the ablation studies and visualizations demonstrate the superiority of MIPE owing to the better representations acquired through multi-modal contrastive learning and the interaction patterns comprehended by the interaction informativeness estimation.
- Abstract（参考訳）: 抗体-抗原結合残基、すなわちパラトープとエピトープの正確な予測は、抗体設計において重要である。
しかし、既存の手法は、一様データ(シーケンスや構造)にのみ焦点をあて、多様データに存在する相補的な情報を無視し、ほとんどの手法は、それぞれの空間的相互作用を見越して、パラトープとエピトープを別々に予測する。
本稿では, 抗体および抗原の配列および構造データを用いて, 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性推定手法MIPEを提案する。
MIPEは、各モード内の結合残基と非結合残基の表現を最大化するマルチモーダルコントラスト学習戦略を実装し、一方、一様表現を効果的なモーダル表現に調整する。
空間的相互作用情報を活用するために、MIPEは、抗体と抗原の相互作用行列を推定し、それらを実際のものと近似する相互作用情報性推定も組み込んでいる。
大規模な実験により,本手法がベースラインよりも優れていることが示された。
さらに,マルチモーダルコントラスト学習により得られる表現性の向上と,対話情報度推定によって解釈される相互作用パターンにより,MIPEの優位性を示す。
関連論文リスト
- MATE-Pred: Multimodal Attention-based TCR-Epitope interaction Predictor [1.933856957193398]
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。
論文 参考訳（メタデータ） (2023-12-05T11:30:00Z) - Re-mine, Learn and Reason: Exploring the Cross-modal Semantic
Correlations for Language-guided HOI detection [57.13665112065285]
ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。
本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-25T14:20:52Z) - Multimodal Relation Extraction with Cross-Modal Retrieval and Synthesis [89.04041100520881]
本研究は,対象物,文,画像全体に基づいて,テキストおよび視覚的証拠を検索することを提案する。
我々は,オブジェクトレベル,画像レベル,文レベル情報を合成し,同一性と異なるモダリティ間の推論を改善する新しい手法を開発した。
論文 参考訳（メタデータ） (2023-05-25T15:26:13Z) - Quantifying & Modeling Multimodal Interactions: An Information
Decomposition Framework [89.8609061423685]
本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。
PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。
本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
論文 参考訳（メタデータ） (2023-02-23T18:59:05Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Antibody Representation Learning for Drug Discovery [7.291511531280898]
新規なSARS-CoV-2抗体結合データセットと追加ベンチマークデータセットについて報告する。
従来の統計的シーケンスモデル,各データセットの教師付き学習,および抗体特異的事前訓練言語モデルの微調整の3つのクラスを比較した。
実験結果から,特徴表現の自己教師付き事前学習は,従来の手法よりも大幅に改善されていることが示唆された。
論文 参考訳（メタデータ） (2022-10-05T13:48:41Z) - Improving Adversarial Robustness via Mutual Information Estimation [144.33170440878519]
ディープニューラルネットワーク(DNN)は、敵の雑音に弱い。
本稿では,情報理論の観点から,対象モデルの出力と入力対向サンプルの依存性について検討する。
本稿では,自然MIの最大化と,学習過程における敵MIの最小化により,敵ロバスト性を高めることを提案する。
論文 参考訳（メタデータ） (2022-07-25T13:45:11Z) - Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す
従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。
本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
論文 参考訳（メタデータ） (2022-05-24T14:25:28Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest
Neighbors with Interaction Recovery [5.8683934849211745]
薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。
既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。
現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。
WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-12-22T19:54:18Z) - Learning Inter-Modal Correspondence and Phenotypes from Multi-Modal
Electronic Health Records [15.658012300789148]
本稿では,複数モーダル間の対応を表現型発見と併用して推測するcHITFを提案する。
実世界のMIMIC-IIIデータセットを用いて行った実験は、cHITFが臨床的に意味のあるモーダル間通信を効果的に推論することを示した。
論文 参考訳（メタデータ） (2020-11-12T10:30:29Z)
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。