論文の概要: AntibodyFlow: Normalizing Flow Model for Designing Antibody Complementarity-Determining Regions

• arxiv url: http://arxiv.org/abs/2406.13162v1
• Date: Wed, 19 Jun 2024 02:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 23:28:56.420184
• Title: AntibodyFlow: Normalizing Flow Model for Designing Antibody Complementarity-Determining Regions
• Title（参考訳）: Antibody Flow: 抗体相補性決定領域の設計のための正規化フローモデル
• Authors: Bohao Xu, Yanbo Wang, Wenyu Chen, Shimin Shan,
• Abstract要約: セラピー抗体(Therapeutic antibody)は、抗原にロック・ツー・キーで結合する特殊な保護タンパク質である。 抗体と特定の抗原との結合強度/親和性は、抗体上の相補性決定領域(CDR)によって決定される。 既存の機械学習手法は、CDRのシークエンスまたは3Dグラフの生成タスクとして、シリコ開発に使用されている。
• 参考スコア（独自算出の注目度）: 9.427196604657215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Therapeutic antibodies have been extensively studied in drug discovery and development in the past decades. Antibodies are specialized protective proteins that bind to antigens in a lock-to-key manner. The binding strength/affinity between an antibody and a specific antigen is heavily determined by the complementarity-determining regions (CDRs) on the antibodies. Existing machine learning methods cast in silico development of CDRs as either sequence or 3D graph (with a single chain) generation tasks and have achieved initial success. However, with CDR loops having specific geometry shapes, learning the 3D geometric structures of CDRs remains a challenge. To address this issue, we propose AntibodyFlow, a 3D flow model to design antibody CDR loops. Specifically, AntibodyFlow first constructs the distance matrix, then predicts amino acids conditioned on the distance matrix. Also, AntibodyFlow conducts constraint learning and constrained generation to ensure valid 3D structures. Experimental results indicate that AntibodyFlow outperforms the best baseline consistently with up to 16.0% relative improvement in validity rate and 24.3% relative reduction in geometric graph level error (root mean square deviation, RMSD).
• Abstract（参考訳）: 過去数十年間、薬物の発見と開発において、治療抗体は広範囲に研究されてきた。 抗体は、抗原にロック・トゥ・キーで結合する特殊な保護タンパク質である。 抗体と特定の抗原との結合強度/親和性は、抗体上の相補性決定領域(CDR)によって決定される。 既存の機械学習手法は、CDRをシークエンスまたは3Dグラフ生成タスクとして(チェーン1つで)開発し、最初の成功をおさめた。 しかし、特定の幾何学形状を持つCDRループでは、CDRの3次元幾何学構造を学ぶことは依然として困難である。 そこで本研究では,抗体CDRループを設計するための3次元フローモデルであるAntibodyFlowを提案する。 具体的には、AntibodyFlowはまず距離行列を構築し、それから距離行列に条件付けられたアミノ酸を予測する。 また、AntibodyFlowは、有効な3D構造を保証するために制約学習と制約付き生成を行う。 実験結果から、AntibodyFlowは最大16.0%の妥当性向上と24.3%の幾何グラフレベルの誤差(ルート平均平方偏差、RMSD)で最高のベースラインを一貫して上回っていることが示唆された。

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)
• 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)
• 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)
• Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
  抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。 近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。 これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
  論文  参考訳（メタデータ） (2022-10-05T20:44:55Z)
• Conditional Antibody Design as 3D Equivariant Graph Translation [28.199522831859998]
  我々は,CDRの1次元配列と3次元構造を共設計するためのマルチチャネル等価アテンションネットワーク(MEAN)を提案する。 本手法は, 配列および構造モデリング, 抗原結合型CDR設計, 結合親和性最適化における最先端モデルを大幅に超えている。
  論文  参考訳（メタデータ） (2022-08-12T01:00:59Z)
• AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation [53.43922443725598]
  本稿では,CDRH3領域のシリコ設計を効率的に行うための組合せ最適化アルゴリズムAntBOを提案する。 AntBOをベンチマークするために、私たちはAbsolut!ソフトウェアスイートをブラックボックスのオラクルとして使用しています。 200以上のタンパク質の設計において、AntBOは690万の実験的に得られたCDRH3から引き出された最も優れた結合配列より優れた抗体配列を提案することができる。
  論文  参考訳（メタデータ） (2022-01-29T12:03:04Z)
• Simple End-to-end Deep Learning Model for CDR-H3 Loop Structure Prediction [0.0]
  本稿では,CDR H3のループ構造を,最先端の手法と同等に予測するエンド・ツー・エンドモデルを提案する。 また、一般的に使われているRosetaAntibodyベンチマークによって、データリークにつながる問題も提起します。
  論文  参考訳（メタデータ） (2021-11-20T18:55:09Z)
• 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。

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。