論文の概要: DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction

• arxiv url: http://arxiv.org/abs/2411.17798v1
• Date: Tue, 26 Nov 2024 18:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:27:41.245757
• Title: DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction
• Title（参考訳）: DapPep:Universal T-cell Receptor-antigen Binding Affinity Predictionのためのドメイン適応ペプチド非依存的学習
• Authors: Jiangbin Zheng, Qianhui Xu, Ruichen Xia, Stan Z. Li,
• Abstract要約: 本稿では,TCR-抗原結合親和性予測のためのドメイン適応型ペプチド非依存的学習フレームワークDapPepを紹介する。 DapPepは既存のツールを一貫して上回り、堅牢な一般化能力を示している。 腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床課題に有効である。
• 参考スコア（独自算出の注目度）: 38.358558338444624
• License:
• Abstract: Identifying T-cell receptors (TCRs) that interact with antigenic peptides provides the technical basis for developing vaccines and immunotherapies. The emergent deep learning methods excel at learning antigen binding patterns from known TCRs but struggle with novel or sparsely represented antigens. However, binding specificity for unseen antigens or exogenous peptides is critical. We introduce a domain-adaptive peptide-agnostic learning framework DapPep for universal TCR-antigen binding affinity prediction to address this challenge. The lightweight self-attention architecture combines a pre-trained protein language model with an inner-loop self-supervised regime to enable robust TCR-peptide representations. Extensive experiments on various benchmarks demonstrate that DapPep consistently outperforms existing tools, showcasing robust generalization capability, especially for data-scarce settings and unseen peptides. Moreover, DapPep proves effective in challenging clinical tasks such as sorting reactive T cells in tumor neoantigen therapy and identifying key positions in 3D structures.
• Abstract（参考訳）: 抗原性ペプチドと相互作用するT細胞受容体(TCR)を同定することは、ワクチンや免疫療法を開発するための技術的基盤となる。 創発的な深層学習法は、既知のTCRから抗原結合パターンを学ぶのに優れているが、新規または疎結合に表される抗原に苦慮する。 しかし、見知らぬ抗原や外因性ペプチドの結合特異性は重要である。 ドメイン適応型ペプチド非依存型学習フレームワークDapPepを導入し,この課題に対処する。 軽量な自己保持アーキテクチャは、訓練済みのタンパク質言語モデルとインナーループの自己教師機構を組み合わせることで、堅牢なTCRペプチド表現を可能にする。 さまざまなベンチマークに関する大規模な実験により、DapPepは既存のツールを一貫して上回り、特にデータスカース設定や見えないペプチドに対して、堅牢な一般化能力を示している。 さらに、DapPepは、腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床的タスクに有効である。

関連論文リスト

• TCR-GPT: Integrating Autoregressive Model and Reinforcement Learning for T-Cell Receptor Repertoires Generation [6.920411338236452]
  T細胞受容体(TCR)は、感染またはがん細胞によって提示される特定の抗原を認識し、結合することによって免疫系において重要な役割を担っている。 自動回帰変換器のような言語モデルは、TCRレパートリーの確率分布を学習することで強力な解を提供する。 本稿では,デコーダのみのトランスアーキテクチャ上に構築された確率モデルTCR-GPTを紹介する。
  論文  参考訳（メタデータ） (2024-08-02T10:16:28Z)
• A large language model for predicting T cell receptor-antigen binding specificity [4.120928123714289]
  本稿では,モデル一般化の限界を克服するMasked Language Model (MLM)を提案する。 具体的には、ランダムにシーケンスセグメントをマスキングし、tcrLMをトレーニングしてマスクセグメントを推論し、TCRシーケンスから表現的特徴を抽出する。 実験の結果,tcrLM は独立テストセットと外部検証セットで 0.937 と 0.933 の AUC 値を達成できた。
  論文  参考訳（メタデータ） (2024-06-24T08:36:40Z)
• Transfer Learning for T-Cell Response Prediction [0.1874930567916036]
  特定のペプチドに対するT細胞応答の予測について検討した。 膨らませた予測性能の危険性は,単に理論的なものではなく,実際に発生することを示す。
  論文  参考訳（メタデータ） (2024-03-18T17:32:19Z)
• 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)
• 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)
• T-Cell Receptor Optimization with Reinforcement Learning and Mutation Policies for Precesion Immunotherapy [21.004878412411053]
  T細胞受容体(TCR)は、T細胞の表面にあるタンパク質複合体であり、ペプチドに結合することができる。 このプロセスはTCR認識と呼ばれ、免疫応答の重要なステップを構成する。 本稿では、強化学習問題として最適化されたTCRの探索を定式化し、突然変異ポリシーを備えたフレームワークTCRPPOを提案する。
  論文  参考訳（メタデータ） (2023-03-02T20:25:14Z)
• 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)
• Attention-aware contrastive learning for predicting T cell receptor-antigen binding specificity [7.365824008999903]
  細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。 そこで本研究では,TCR-抗原結合特異性を推定するためのattentive-mask contrastive learning model,ATMTCRを提案する。
  論文  参考訳（メタデータ） (2022-05-17T10:53:32Z)

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。