論文の概要: ADIOS: Antibody Development via Opponent Shaping
- arxiv url: http://arxiv.org/abs/2409.10588v8
- Date: Fri, 06 Jun 2025 11:07:55 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-06-09 14:35:42.89595
- Title: ADIOS: Antibody Development via Opponent Shaping
- Title（参考訳）: ADIOS: 対価形成による抗体開発
- 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。
しかし、治療によって誘導される選択的圧力は、新しいウイルス株の出現を引き起こす。
私たちの治療法はウイルスの進化を防御し、積極的に影響を及ぼすことができます。
- 参考スコア（独自算出の注目度）: 49.26728828005039
- License:
- Abstract: Anti-viral therapies are typically designed to target only the current strains of a virus, a myopic response. However, therapy-induced selective pressures drive the emergence of new viral strains, against which the original myopic therapies are no longer effective. This evolutionary response presents an opportunity: our therapies could both defend against and actively influence viral evolution. This motivates our method ADIOS: Antibody Development vIa Opponent Shaping. ADIOS is a meta-learning framework where the process of antibody therapy design, the outer loop, accounts for the virus's adaptive response, the inner loop. With ADIOS, antibodies are not only robust against potential future variants, they also influence, i.e., shape, which future variants emerge. In line with the opponent shaping literature, we refer to our optimised antibodies as shapers. To demonstrate the value of ADIOS, we build a viral evolution simulator using the Absolut! framework, in which shapers successfully target both current and future viral variants, outperforming myopic antibodies. Furthermore, we show that shapers modify the distribution over viral evolutionary trajectories to result in weaker variants. We believe that our ADIOS paradigm will facilitate the discovery of long-lived vaccines and antibody therapies while also generalising to other domains. Specifically, domains such as antimicrobial resistance, cancer treatment, and others with evolutionarily adaptive opponents. Our code is available at https://github.com/olakalisz/adios.
- Abstract（参考訳）: 抗ウイルス療法は通常、現在のウイルスの株のみを標的に設計されている。
しかし、治療によって引き起こされる選択的圧力は、新しいウイルス株の出現を引き起こす。
私たちの治療法はウイルスの進化を防御し、積極的に影響を及ぼすことができます。
ADIOS: Antibody Development vIa Opponent Shaping。
ADIOSは、抗体療法設計のプロセスである外側ループがウイルスの適応応答、内ループを説明できるメタラーニングフレームワークである。
ADIOSでは、抗体は将来の変種に対して堅牢であるだけでなく、将来の変種が出現する形状にも影響を及ぼす。
相手の造形文献に則って、最適化された抗体をシェイパーと呼ぶ。
ADIOSの価値を示すために,Absolut!フレームワークを用いたウイルス進化シミュレータを構築した。
さらに, ホルダーはウイルスの進化軌道上の分布を変化させ, より弱い変異をもたらすことを示した。
我々のADIOSパラダイムは、他のドメインにも一般化しつつ、長寿命のワクチンや抗体療法の発見を促進するものと信じている。
具体的には、進化的に適応する相手を持つ抗微生物抵抗性、がん治療、その他のドメインである。
私たちのコードはhttps://github.com/olakalisz/adios.comで利用可能です。
関連論文リスト
- Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences [36.58091564004384]
効果的な治療法を構築するために、生物学者は、抗体配列を反復的に変異させて、結合と安定性を改善する。
提案された突然変異は、以前の測定や、大きな抗体データベースから学習することで、典型的な抗体のみを予測することができる。
実験室における抗体を効率よく最適化するベイズ最適化法であるクローンインフォームドベイズ最適化(CloneBO)を導入する。
論文 参考訳（メタデータ） (2024-12-10T18:57:48Z) - 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。