Fugu-MT 論文翻訳(概要): Active learning for energy-based antibody optimization and enhanced screening

論文の概要: Active learning for energy-based antibody optimization and enhanced screening

arxiv url: http://arxiv.org/abs/2409.10964v2
Date: Wed, 18 Sep 2024 07:37:31 GMT
ステータス: 処理完了
システム内更新日: 2024-09-19 12:04:00.618315
Title: Active learning for energy-based antibody optimization and enhanced screening
Title（参考訳）: エネルギーに基づく抗体最適化とスクリーニング強化のためのアクティブラーニング
Authors: Kairi Furui, Masahito Ohue,
Abstract要約: 本研究では,特定の目標に対するエネルギー関数を学習するために,ディープラーニングモデルを効率的に訓練する能動的学習ワークフローを提案する。 HER2結合型Trastuzumab変異株を対象としたケーススタディでは,ランダム選択よりもスクリーニング性能が有意に向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate prediction and optimization of protein-protein binding affinity is crucial for therapeutic antibody development. Although machine learning-based prediction methods $\Delta\Delta G$ are suitable for large-scale mutant screening, they struggle to predict the effects of multiple mutations for targets without existing binders. Energy function-based methods, though more accurate, are time consuming and not ideal for large-scale screening. To address this, we propose an active learning workflow that efficiently trains a deep learning model to learn energy functions for specific targets, combining the advantages of both approaches. Our method integrates the RDE-Network deep learning model with Rosetta's energy function-based Flex ddG to efficiently explore mutants. In a case study targeting HER2-binding Trastuzumab mutants, our approach significantly improved the screening performance over random selection and demonstrated the ability to identify mutants with better binding properties without experimental $\Delta\Delta G$ data. This workflow advances computational antibody design by combining machine learning, physics-based computations, and active learning to achieve more efficient antibody development.
Abstract（参考訳）: タンパク質結合性アフィニティの正確な予測と最適化は、治療用抗体の開発に不可欠である。機械学習に基づく予測法$\Delta\Delta G$は大規模な突然変異スクリーニングに適しているが、既存のバインダーを使わずにターゲットに対する複数の突然変異の効果を予測するのに苦労している。エネルギー関数に基づく手法は、より正確ではあるが、時間がかかり、大規模なスクリーニングには理想的ではない。そこで本研究では,深層学習モデルを効率よく訓練し,特定の目標に対するエネルギー関数を学習する能動的学習ワークフローを提案する。本手法はRDE-NetworkディープラーニングモデルとRosetaのエネルギー関数に基づくFlex ddGを統合し,突然変異体を効率的に探索する。 HER2結合型Trastuzumab変異体を標的としたケーススタディでは,ランダム選択よりもスクリーニング性能が有意に向上し,実験的な$\Delta\Delta G$データなしでより優れた結合特性を持つ変異体を同定できることが実証された。このワークフローは、より効率的な抗体開発を実現するために、機械学習、物理ベースの計算、アクティブな学習を組み合わせることで、計算抗体設計を前進させる。

関連論文リスト

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)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Pareto Optimization to Accelerate Multi-Objective Virtual Screening [11.356174411578515]
EGFRおよびIGF1Rの選択的二重阻害剤であると考えられる4M分子の仮想ライブラリーを探索するツールを開発した。このワークフローと関連するオープンソースソフトウェアは、分子設計プロジェクトのスクリーニング負担を軽減することができる。
論文参考訳（メタデータ） (2023-10-16T17:19:46Z)
PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
論文参考訳（メタデータ） (2023-07-03T14:46:49Z)
Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T05:44:06Z)
Consistent Training via Energy-Based GFlowNets for Modeling Discrete Joint Distributions [79.47120571256026]
Generative Flow Networks (GFlowNets)は、様々なオブジェクトを$x$に、報酬関数$R(x)$を付与することで、大幅なパフォーマンス向上を実現している。我々は、GFlowNetsと共同でエネルギーベースモデルを学習し、それを拡張して複数の変数のジョイントを学習する、という最近の研究の上に構築する。このジョイントトレーニングやジョイントエナジーに基づく定式化は、抗微生物ペプチドの生成に大きな改善をもたらすことが判明した。
論文参考訳（メタデータ） (2022-11-01T16:25:14Z)
Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
論文参考訳（メタデータ） (2022-05-26T12:51:32Z)
De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
論文参考訳（メタデータ） (2022-05-21T00:47:35Z)
Using Genetic Programming to Predict and Optimize Protein Function [65.25258357832584]
我々は,進化的手法に基づく遺伝的プログラミングツールPOETを提案し,方向性進化におけるスクリーニングと変異原性を高める。概念実証として, 化学交換飽和移動機構によって検出されたMRIコントラストを生成するペプチドを用いる。以上の結果から,POETのような計算モデリングツールは,従来よりも400%優れた機能性を持つペプチドを見つけるのに有効であることが示唆された。
論文参考訳（メタデータ） (2022-02-08T18:08:08Z)
Maximum Mutation Reinforcement Learning for Scalable Control [25.935468948833073]
強化学習(Reinforcement Learning, RL)は、大規模状態空間に対するデータ効率と最適制御を、スケーラブルな性能で実証している。本稿では,スケーラブルなRLアルゴリズムであるEvolution-based Soft Actor-Critic (ESAC)を提案する。
論文参考訳（メタデータ） (2020-07-24T16:29:19Z)

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。