論文の概要: Peptide Vaccine Design by Evolutionary Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2406.05743v1
• Date: Sun, 9 Jun 2024 11:28:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 18:17:07.626242
• Title: Peptide Vaccine Design by Evolutionary Multi-Objective Optimization
• Title（参考訳）: 進化的多目的最適化によるペプチドワクチンの設計
• Authors: Dan-Xuan Liu, Yi-Heng Xu, Chao Qian,
• Abstract要約: ペプチドワクチン設計の主な課題は、個人間のアレルの多様性に起因するペプチドの有効サブセットを選択することである。 従来の研究は主に、ペプチド-マヨルヒストコンパチビリティ複合体(ペプチド-MHC)結合の期待数を最大化することを目的として、制約付き最適化問題としてこのタスクを定式化した。 本稿では,2目的最適化問題としてペプチドワクチン設計を再構成する多目的最適化に基づく新しいフレームワークEMOを提案する。
• 参考スコア（独自算出の注目度）: 34.83487850400559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Peptide vaccines are growing in significance for fighting diverse diseases. Machine learning has improved the identification of peptides that can trigger immune responses, and the main challenge of peptide vaccine design now lies in selecting an effective subset of peptides due to the allelic diversity among individuals. Previous works mainly formulated this task as a constrained optimization problem, aiming to maximize the expected number of peptide-Major Histocompatibility Complex (peptide-MHC) bindings across a broad range of populations by selecting a subset of diverse peptides with limited size; and employed a greedy algorithm, whose performance, however, may be limited due to the greedy nature. In this paper, we propose a new framework PVD-EMO based on Evolutionary Multi-objective Optimization, which reformulates Peptide Vaccine Design as a bi-objective optimization problem that maximizes the expected number of peptide-MHC bindings and minimizes the number of selected peptides simultaneously, and employs a Multi-Objective Evolutionary Algorithm (MOEA) to solve it. We also incorporate warm-start and repair strategies into MOEAs to improve efficiency and performance. We prove that the warm-start strategy ensures that PVD-EMO maintains the same worst-case approximation guarantee as the previous greedy algorithm, and meanwhile, the EMO framework can help avoid local optima. Experiments on a peptide vaccine design for COVID-19, caused by the SARS-CoV-2 virus, demonstrate the superiority of PVD-EMO.
• Abstract（参考訳）: ペプチドワクチンは様々な病気と闘う上で重要である。 機械学習は免疫反応を誘発するペプチドの同定を改善しており、ペプチドワクチンの設計の主な課題は、個人間でのアレルの多様性によるペプチドの効果的なサブセットを選択することである。 従来の研究は、この課題を制約付き最適化問題として定式化しており、様々なペプチドのサブセットを限られたサイズで選択することで、幅広い集団にわたるペプチド-マヨルヒストコンパチビリティ複合体(ペプチド-MHC)結合の期待数を最大化することを目的としていた。 本稿では,進化的多目的最適化に基づく新しいフレームワークPVD-EMOを提案する。これは,ペプチド-MHC結合の期待数を最大化し,選択したペプチドの数を同時に最小化し,その問題を解決するためにMOEA(Multi-Objective Evolutionary Algorithm)を採用している。 また、暖房と修理の戦略をMOEAに組み込んで効率と性能を改善します。 ウォームスタート戦略は,PVD-EMOが前回のグレディアルゴリズムと同じ最悪の近似を保っていることを保証するとともに,EMOフレームワークは局所最適化を回避するのに有効であることを示す。 SARS-CoV-2ウイルスによる新型コロナウイルスのペプチドワクチン設計の実験は、PVD-EMOの優位性を実証している。

関連論文リスト

• A Simple yet Effective DDG Predictor is An Unsupervised Antibody Optimizer and Explainer [53.85265022754878]
  高速な突然変異スクリーニングのための軽量DDG予測器(Light-DDG)を提案する。 また、Light-DDGを事前学習するための数百万の突然変異データを含む大規模データセットもリリースした。 対象抗体について,変異選好を学習するための新しい変異説明器を提案する。
  論文  参考訳（メタデータ） (2025-02-10T09:26:57Z)
• PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion [2.6668932659159905]
  治療ペプチドSMILESの同時生成と最適化のための多目的離散拡散モデルであるPepTuneを提案する。 我々は, 標的結合親和性, 膜透過性, 溶解性, 溶血性, 非汚濁性など, 複数の治療特性に最適化された多種多様な修飾ペプチドを生成する。 以上の結果から,PepTuneは離散状態空間における多目的シーケンス設計において,強力かつモジュール化されたアプローチであることを示す。
  論文  参考訳（メタデータ） (2024-12-23T18:38:49Z)
• Hotspot-Driven Peptide Design via Multi-Fragment Autoregressive Extension [34.5830296205857]
  PepHARは、特定のタンパク質を標的としたペプチドを設計するためのホットスポット駆動の自己回帰生成モデルである。 ホットスポットサンプリングとフラグメントベースの拡張を組み合わせることで,ターゲットタンパク質に適合したデノボペプチドの設計が可能となった。
  論文  参考訳（メタデータ） (2024-11-26T15:13:17Z)
• Active learning for affinity prediction of antibodies [45.58662352490961]
  抗体のような大きな分子では、抗体親和性を高める突然変異を同定することは困難である。 FERB法は、異なる変異が薬物候補の有効性と選択性に与える影響について、貴重な洞察を与えることができる。 本稿では,評価を行うシミュレータのシーケンスを反復的に提案し,改良されたバインダーの探索を高速化する能動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:42:49Z)
• MoFormer: Multi-objective Antimicrobial Peptide Generation Based on Conditional Transformer Joint Multi-modal Fusion Descriptor [15.98003148948758]
  AMPの多属性同時最適化のための多目的AMP合成パイプライン(MoFormer)を構築した。 MoFormerは、条件付き制約ときめ細かいマルチディスクリプタによってガイドされる、高度に構造化された潜在空間におけるAMPシーケンスの望ましい属性を改善している。 抗微生物活性の増強と溶血の最小化により,MoFormerは既存の方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-03T07:17:18Z)
• LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides [0.32985979395737786]
  我々は,機械学習(ML)と最適化アルゴリズムの長所を活かして,CPPのデノボ設計に革新的なアプローチを導入する。 私たちの戦略はLight CPPgenと呼ばれ、LightGBMベースの予測モデルと遺伝的アルゴリズム(GA)を統合しています。 GAソリューションは、元の非貫通ペプチドとの類似性を最大化しつつ、候補配列の透過性スコアを特にターゲットとしている。
  論文  参考訳（メタデータ） (2024-05-31T10:57:25Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning [50.57291257437373]
  SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる 我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
  論文  参考訳（メタデータ） (2020-12-03T07:35:38Z)

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。