論文の概要: Opponent Shaping for Antibody Development
- arxiv url: http://arxiv.org/abs/2409.10588v7
- Date: Thu, 7 Nov 2024 12:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-08 19:50:01.751548
- Title: Opponent Shaping for Antibody Development
- Title（参考訳）: 抗体開発のための対向型シェイピング
- Authors: Sebastian Towers, Aleksandra Kalisz, Philippe A. Robert, Alicia Higueruelo, Francesca Vianello, Ming-Han Chloe Tsai, Harrison Steel, Jakob N. Foerster,
- Abstract要約: 抗ウイルス療法は通常、ウイルスの現在の株のみを標的とするように設計されている。
治療によって誘導される選択的圧力はウイルスに作用し、変異株の出現を誘導し、初期治療が効果を低下させる。
我々は、ウイルスの進化的脱出の遺伝的シミュレーションを実装するために、抗体とウイルス抗原の結合の計算モデルを構築した。
- 参考スコア（独自算出の注目度）: 49.26728828005039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anti-viral therapies are typically designed to target only the current strains of a virus. Game theoretically, this corresponds to a short-sighted, or myopic, response. However, therapy-induced selective pressures act on viruses to drive the emergence of mutated strains, against which initial therapies have reduced efficacy. Building on a computational model of binding between antibodies and viral antigens (the Absolut! framework), we design and implement a genetic simulation of viral evolutionary escape. Crucially, this allows our antibody optimisation algorithm to consider and influence the entire escape curve of the virus, i.e. to guide (or "shape") the viral evolution. This is inspired by opponent shaping which, in general-sum learning, accounts for the adaptation of the co-player rather than playing a myopic best response. Hence we call the optimised antibodies shapers. Within our simulations, we demonstrate that our shapers target both current and simulated future viral variants, outperforming the antibodies chosen in a myopic way. Furthermore, we show that shapers exert specific evolutionary pressure on the virus compared to myopic antibodies. Altogether, shapers modify the evolutionary trajectories of viral strains and minimise the viral escape compared to their myopic counterparts. While this is a simplified model, we hope that our proposed paradigm will facilitate the discovery of better long-lived vaccines and antibody therapies in the future, enabled by rapid advancements in the capabilities of simulation tools. Our code is available at https://github.com/olakalisz/antibody-shapers.
- Abstract（参考訳）: 抗ウイルス療法は通常、ウイルスの現在の株のみを標的とするように設計されている。
ゲーム理論上、これは近視眼または近視眼の反応に対応する。
しかし、治療によって誘導される選択的圧力はウイルスに作用し、変異株の出現を誘導し、初期治療が効果を低下させる。
抗体とウイルス抗原の結合の計算モデル(Absolut!フレームワーク)に基づいて、ウイルスの進化的脱出の遺伝的シミュレーションを設計し、実装する。
重要なことに、私たちの抗体最適化アルゴリズムはウイルスの脱出曲線全体、すなわちウイルスの進化を誘導(あるいは「形」)するために考慮し、影響を及ぼすことができます。
これは、一般的には、ミオピック・ベスト・レスポンスではなく、共プレイヤの適応を考慮に入れている相手のシェーピングにインスパイアされている。
したがって、私たちは最適化された抗体をシェーパと呼ぶ。
シミュレーションでは,現在およびシミュレーション中のウイルス変異体の両方を標的とし,筋電図で選択した抗体よりも優れた結果が得られた。
さらに, ウイルスに特異的な進化的圧力が作用していることが, 筋電図抗体と比較された。
いずれにせよ、シェイパーはウイルス株の進化の軌跡を修正し、ウイルスの脱出を心筋のそれと比べて最小化する。
これは単純化されたモデルであるが、我々の提案するパラダイムは、シミュレーションツールの能力の急速な進歩により、将来より長寿命なワクチンや抗体療法の発見を促進することを願っている。
私たちのコードはhttps://github.com/olakalisz/antibody-shapers.comで利用可能です。
関連論文リスト
- Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models! [52.0855711767075]
EvoSeedは、フォトリアリスティックな自然対向サンプルを生成するための進化戦略に基づくアルゴリズムフレームワークである。
我々は,CMA-ESを用いて初期種ベクトルの探索を最適化し,条件付き拡散モデルで処理すると,自然逆数サンプルをモデルで誤分類する。
実験の結果, 生成した対向画像は画像品質が高く, 安全分類器を通過させることで有害なコンテンツを生成する懸念が高まっていることがわかった。
論文 参考訳（メタデータ） (2024-02-07T09:39:29Z) - 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 Pixel Restoration as a Pretext Task for Transferable
Perturbations [54.1807206010136]
トランスファー可能な敵攻撃は、事前訓練された代理モデルと既知のラベル空間から敵を最適化し、未知のブラックボックスモデルを騙す。
本稿では,効果的なサロゲートモデルをスクラッチからトレーニングするための自己教師型代替手段として,Adversarial Pixel Restorationを提案する。
我々のトレーニングアプローチは、敵の目標を通したオーバーフィッティングを減らすmin-maxの目標に基づいています。
論文 参考訳（メタデータ） (2022-07-18T17:59:58Z) - Anti-virus Autobots: Predicting More Infectious Virus Variants for
Pandemic Prevention through Deep Learning [0.0]
より感染性のウイルスの変異は、そのタンパク質の急激な突然変異によって生じる可能性がある。
これらの変異体は免疫系を回避し、ワクチンの効果を低下させる。
提案するOptimus PPImeは、既存のウイルスの今後、より感染的な変異を予測するためのディープラーニングアプローチである。
論文 参考訳（メタデータ） (2022-05-30T05:04:40Z) - PhyloTransformer: A Discriminative Model for Mutation Prediction Based
on a Multi-head Self-attention Mechanism [10.468453827172477]
重症急性呼吸器症候群ウイルス2(SARS-CoV-2)は10/19/21で219万人が感染し、死亡率は3.6%となっている。
そこで我々は,トランスフォーマーを用いた識別モデルであるPhylo Transformerを開発した。
論文 参考訳（メタデータ） (2021-11-03T01:30:57Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - Modelling SARS-CoV-2 coevolution with genetic algorithms [0.0]
SARS-CoV-2の流行はウイルス変異の出現に反応した。
遺伝的アルゴリズム(GA)との共進化を,この関係をモデル化するための信頼性の高いアプローチとして提案する。
本稿では,ウイルスの生存と感染率の最小化を目的とした対策を両立させる二重GAモデルを提案する。
論文 参考訳（メタデータ） (2021-02-24T15:49:20Z) - RAILS: A Robust Adversarial Immune-inspired Learning System [15.653578249331982]
我々は、Robust Adversarial Immune-inspired Learning System (RAILS)と呼ばれる新しい対人防御フレームワークを提案する。
RAILSは、病原体による攻撃からホストを守るために使用される生物学的メカニズムをシリコでエミュレートする適応免疫システムエミュレーション(AISE)を組み込んでいます。
RAILS学習曲線は, 生体内実験で観察されたように, 多様性選択学習フェーズを示す。
論文 参考訳（メタデータ） (2020-12-18T19:47:12Z) - Coronavirus Optimization Algorithm: A bioinspired metaheuristic based on
the COVID-19 propagation model [0.0]
この研究は、新型コロナウイルスが健康な人々にどのように拡散し感染するかをシミュレートする、新しいバイオインスパイアされたメタヒューリスティック(メタヒューリスティック)を提案する。
入力パラメータは疾患統計に従ってすでに設定されており、研究者が任意の値で初期化するのを防ぐことができる。
並行したマルチウイルスバージョンが提案され、いくつかのウイルス株が時間とともに進化し、より広い検索領域をより少ないイテレーションで探索する。
論文 参考訳（メタデータ） (2020-03-30T17:10:02Z)
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。