論文の概要: Generative Humanization for Therapeutic Antibodies

• arxiv url: http://arxiv.org/abs/2412.04737v1
• Date: Fri, 06 Dec 2024 02:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:55:11.659861
• Title: Generative Humanization for Therapeutic Antibodies
• Title（参考訳）: 治療用抗体の遺伝子的ヒト化
• Authors: Cade Gordon, Aniruddh Raghu, Hunter Elliott, Peyton Greenside,
• Abstract要約: 人間化(Humanization)は、免疫原性と呼ばれる1つの重大なリスクに対処するシーケンス最適化戦略である。 我々は,ヒト抗体データに基づいて訓練された言語モデルからヒト化変異をサンプリングする条件生成モデリングタスクとして,人間化を再編成する。 免疫原性リスクを低減し、治療特性を維持または改善した候補配列を得るために、抗原結合親和性などの治療特性のモデルを含むサンプリングプロセスについて述べる。
• 参考スコア（独自算出の注目度）: 4.456125565993172
• License:
• Abstract: Antibody therapies have been employed to address some of today's most challenging diseases, but must meet many criteria during drug development before reaching a patient. Humanization is a sequence optimization strategy that addresses one critical risk called immunogenicity - a patient's immune response to the drug - by making an antibody more "human-like" in the absence of a predictive lab-based test for immunogenicity. However, existing humanization strategies generally yield very few humanized candidates, which may have degraded biophysical properties or decreased drug efficacy. Here, we re-frame humanization as a conditional generative modeling task, where humanizing mutations are sampled from a language model trained on human antibody data. We describe a sampling process that incorporates models of therapeutic attributes, such as antigen binding affinity, to obtain candidate sequences that have both reduced immunogenicity risk and maintained or improved therapeutic properties, allowing this algorithm to be readily embedded into an iterative antibody optimization campaign. We demonstrate in silico and in lab validation that in real therapeutic programs our generative humanization method produces diverse sets of antibodies that are both (1) highly-human and (2) have favorable therapeutic properties, such as improved binding to target antigens.
• Abstract（参考訳）: 抗体療法は、今日の最も困難な疾患のいくつかに対処するために使われてきたが、患者に到達する前には、薬物開発中に多くの基準を満たす必要がある。 人格化(Humanization)とは、免疫原性(免疫原性)と呼ばれる1つの重要なリスクに対処するシーケンス最適化戦略である。 しかし、既存の人格化戦略は一般的に、生物物理学的特性の低下や薬物効力の低下など、非常に少ない人格化候補を生み出す。 そこで我々は,ヒト抗体データに基づいて訓練された言語モデルからヒト化変異をサンプリングする条件生成モデリングタスクとして,人文化を再構築した。 免疫原性リスクを低減し、治療特性を維持または改善した候補配列を得るために、抗原結合親和性などの治療特性のモデルを含むサンプリングプロセスを説明し、このアルゴリズムを反復的抗体最適化キャンペーンに簡単に組み込むことができるようにする。 実際の治療プログラムにおいて, 生成的ヒト化法は(1)高ヒト, (2)標的抗原への結合性の改善など, 好適な治療特性を有する多様な抗体群を産生することを示した。

関連論文リスト

• Immunogenicity Prediction with Dual Attention Enables Vaccine Target Selection [6.949493332885247]
  ProVaccineは、タンパク質配列と構造を潜在ベクトル表現に統合する、新しいディープラーニングソリューションである。 現在までに最も包括的な免疫原性データセットをコンパイルし、細菌、ウイルス、腫瘍から9,500以上の抗原配列、構造、および免疫原性ラベルを含む。 私たちの研究はワクチン設計に有効なツールを提供し、将来の研究に有用なベンチマークを設定します。
  論文  参考訳（メタデータ） (2024-10-03T16:33:35Z)
• Opponent Shaping for Antibody Development [49.26728828005039]
  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。
  論文  参考訳（メタデータ） (2024-09-16T14:56:27Z)
• A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules [4.501817929699959]
  抗原とHLA-I/TCR分子との結合親和性は抗原提示とT細胞活性化に重要な役割を果たしている。 いくつかの計算手法は、抗原-HLAまたは抗原-TCR結合特異性を予測するために開発されたが、それらは一度に1つのタスクだけに焦点を当てている。 我々は,HLA分子とTCR分子の両方への抗原の結合を同時に予測するために,一貫したクロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
  論文  参考訳（メタデータ） (2024-04-08T08:25:25Z)
• Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization [51.28231365213679]
  我々は,抗原特異的抗体配列構造共設計を,特定の嗜好に対する最適化問題として取り組んだ。 そこで本研究では,有理構造と抗原への結合親和性の両方を有する抗体の生成を誘導する,直接エネルギーに基づく選好最適化を提案する。
  論文  参考訳（メタデータ） (2024-03-25T09:41:49Z)
• Improving Antibody Humanness Prediction using Patent Data [6.185604158465185]
  マルチステージ・マルチロス・トレーニングプロセスを用いて,抗体の人間性予測を改善するための特許データの可能性を検討する。 初期学習段階は、弱教師付きコントラスト学習問題として機能する。 次に、コントラストエンコーダの一部を凍結し、クロスエントロピー損失を用いて特許データに基づいてトレーニングし、与えられた抗体配列の人間性スコアを予測する。
  論文  参考訳（メタデータ） (2024-01-25T16:04:17Z)
• AI driven B-cell Immunotherapy Design [0.0]
  抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。 近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。 本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-03T09:14:10Z)
• 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)
• Antibody Representation Learning for Drug Discovery [7.291511531280898]
  新規なSARS-CoV-2抗体結合データセットと追加ベンチマークデータセットについて報告する。 従来の統計的シーケンスモデル,各データセットの教師付き学習,および抗体特異的事前訓練言語モデルの微調整の3つのクラスを比較した。 実験結果から,特徴表現の自己教師付き事前学習は,従来の手法よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2022-10-05T13:48:41Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。