論文の概要: ABodyBuilder3: Improved and scalable antibody structure predictions
- arxiv url: http://arxiv.org/abs/2405.20863v1
- Date: Fri, 31 May 2024 14:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 14:08:24.888146
- Title: ABodyBuilder3: Improved and scalable antibody structure predictions
- Title（参考訳）: ABodyBuilder3: 改良されたスケーラブルな抗体構造予測
- Authors: Henry Kenlay, Frédéric A. Dreyer, Daniel Cutting, Daniel Nissley, Charlotte M. Deane,
- Abstract要約: 我々はImmuneBuilderに基づいた改良されたスケーラブルな抗体構造予測モデルであるABodyBuilder3を紹介する。
我々は,言語モデル埋め込みを利用して,CDRループのモデリングにおいて,新しい最先端の精度を実現する。
予測された局所距離差分試験をモデル出力に組み込んで、不確実性をより正確に推定する。
- 参考スコア（独自算出の注目度）: 3.013679260442809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of antibody structure is a central task in the design and development of monoclonal antibodies, notably to understand both their developability and their binding properties. In this article, we introduce ABodyBuilder3, an improved and scalable antibody structure prediction model based on ImmuneBuilder. We achieve a new state-of-the-art accuracy in the modelling of CDR loops by leveraging language model embeddings, and show how predicted structures can be further improved through careful relaxation strategies. Finally, we incorporate a predicted Local Distance Difference Test into the model output to allow for a more accurate estimation of uncertainties.
- Abstract（参考訳）: 抗体構造の正確な予測は、モノクローナル抗体の設計と開発において中心的な課題であり、特に、その発生性と結合性の両方を理解するために重要である。
本稿ではImmuneBuilderに基づく改良されたスケーラブルな抗体構造予測モデルであるABodyBuilder3を紹介する。
我々は,言語モデル埋め込みを利用して,CDRループのモデリングにおいて,新たな最先端の精度を実現する。
最後に、予測された局所距離差分試験をモデル出力に組み込んで、不確実性をより正確に推定する。
関連論文リスト
- Efficient Antibody Structure Refinement Using Energy-Guided SE(3) Flow Matching [16.192361788505558]
FlowABはエネルギー誘導型フローマッチングに基づく新規な抗体構造精製法である。
適切な先行モデルと組み合わせて使用する場合、抗体構造予測タスクにおいて、新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2024-10-22T04:13:55Z) - 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) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳（メタデータ） (2024-03-07T02:53:40Z) - 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) - Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。
構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。
本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-04T15:54:03Z) - Towards a Theoretical Understanding of the Robustness of Variational
Autoencoders [82.68133908421792]
敵攻撃や他の入力摂動に対する変分オートエンコーダ(VAE)の堅牢性を理解するために,我々は進出している。
確率モデルにおけるロバスト性のための新しい基準である$r$-robustnessを開発する。
遠心法を用いて訓練したVAEが、ロバストネスの指標でよく評価されていることを示す。
論文 参考訳（メタデータ） (2020-07-14T21:22:29Z)
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。