論文の概要: Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences

• arxiv url: http://arxiv.org/abs/2412.07763v1
• Date: Tue, 10 Dec 2024 18:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:21.225653
• Title: Bayesian Optimization of Antibodies Informed by a Generative Model of Evolving Sequences
• Title（参考訳）: 進化配列の生成モデルによる抗体のベイズ最適化
• Authors: Alan Nawzad Amin, Nate Gruver, Yilun Kuang, Lily Li, Hunter Elliott, Calvin McCarter, Aniruddh Raghu, Peyton Greenside, Andrew Gordon Wilson,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.58091564004384
• License:
• Abstract: To build effective therapeutics, biologists iteratively mutate antibody sequences to improve binding and stability. Proposed mutations can be informed by previous measurements or by learning from large antibody databases to predict only typical antibodies. Unfortunately, the space of typical antibodies is enormous to search, and experiments often fail to find suitable antibodies on a budget. We introduce Clone-informed Bayesian Optimization (CloneBO), a Bayesian optimization procedure that efficiently optimizes antibodies in the lab by teaching a generative model how our immune system optimizes antibodies. Our immune system makes antibodies by iteratively evolving specific portions of their sequences to bind their target strongly and stably, resulting in a set of related, evolving sequences known as a clonal family. We train a large language model, CloneLM, on hundreds of thousands of clonal families and use it to design sequences with mutations that are most likely to optimize an antibody within the human immune system. We propose to guide our designs to fit previous measurements with a twisted sequential Monte Carlo procedure. We show that CloneBO optimizes antibodies substantially more efficiently than previous methods in realistic in silico experiments and designs stronger and more stable binders in in vitro wet lab experiments.
• Abstract（参考訳）: 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。 残念なことに、典型的な抗体の空間は検索には巨大であり、実験は予算で適切な抗体を見つけるのに失敗することが多い。 そこで本研究では,臨床実験室における抗体を効率よく最適化する手法であるクローンインフォームドベイズ最適化(CloneBO)を紹介した。 我々の免疫系は、その配列の特定の部分を反復的に進化させ、標的を強く安定的に結合させ、クローンファミリーとして知られる一連の関連する進化配列を生み出す。 何十万ものクローンファミリーで大規模な言語モデル、CloneLMをトレーニングし、ヒト免疫系内の抗体を最適化する可能性が高い突然変異を持つ配列を設計するために使用します。 我々は,従来の測定値にひねりのあるモンテカルロシーケンシャルな手順で適合するように設計をガイドすることを提案する。 以上の結果から,CroneBOはサイリコ実験において従来の方法よりも効果的に抗体を最適化し,in vitro湿式実験ではより強力で安定なバインダーを設計できることが示唆された。

関連論文リスト

• Retrieval Augmented Diffusion Model for Structure-informed Antibody Design and Optimization [8.546688995090491]
  抗体は生物の免疫応答に必須のタンパク質である。 生成モデルにおける最近の進歩は、合理的抗体設計を著しく強化した。 本稿では,効率的な抗体設計のための検索拡張拡散フレームワーク RADAb を提案する。
  論文  参考訳（メタデータ） (2024-10-19T08:53:01Z)
• 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)
• 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)
• Large scale paired antibody language models [40.401345152825314]
  IgBert と IgT5 は,これまでに開発された抗体特異的言語モデルの中で最も優れた性能を示した。 これらのモデルは、20億以上のObserved Spaceデータセットを使用して、包括的にトレーニングされている。 この進歩は、治療開発のための抗体設計を強化するために、機械学習、大規模データセット、高性能コンピューティングを活用する上で大きな前進となる。
  論文  参考訳（メタデータ） (2024-03-26T17:21:54Z)
• 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)
• AntiBARTy Diffusion for Property Guided Antibody Design [0.0]
  我々は、BART(Bidirectional and Auto-Regressive Transformer)に基づく抗体特異的言語モデルAntiBARTyを訓練し、その潜在空間を用いて、誘導IgG de novo設計のための特性条件拡散モデルを訓練する。 試験例では, 抗体の妥当性を維持し, 配列の多様性を制御しながら, シリカ溶解度を向上した新規抗体を効果的に生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-22T18:30:50Z)
• 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)
• AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation [53.43922443725598]
  本稿では,CDRH3領域のシリコ設計を効率的に行うための組合せ最適化アルゴリズムAntBOを提案する。 AntBOをベンチマークするために、私たちはAbsolut!ソフトウェアスイートをブラックボックスのオラクルとして使用しています。 200以上のタンパク質の設計において、AntBOは690万の実験的に得られたCDRH3から引き出された最も優れた結合配列より優れた抗体配列を提案することができる。
  論文  参考訳（メタデータ） (2022-01-29T12:03:04Z)

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。