論文の概要: AlignAb: Pareto-Optimal Energy Alignment for Designing Nature-Like Antibodies

• arxiv url: http://arxiv.org/abs/2412.20984v1
• Date: Mon, 30 Dec 2024 14:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:05:02.787418
• Title: AlignAb: Pareto-Optimal Energy Alignment for Designing Nature-Like Antibodies
• Title（参考訳）: AlignAb:自然界のような抗体をデザインするためのパレート最適エネルギーアライメント
• Authors: Yibo Wen, Chenwei Xu, Jerry Yao-Chieh Hu, Han Liu,
• Abstract要約: 抗体配列構造共設計に特化したディープラーニングモデルを学習するための3段階のフレームワークを提案する。 得られた表現を用いて,抗体の配列と構造の両方に対する共同最適化のための拡散モデルの訓練を指導する。
• 参考スコア（独自算出の注目度）: 4.679586996508103
• License:
• Abstract: We present a three-stage framework for training deep learning models specializing in antibody sequence-structure co-design. We first pre-train a language model using millions of antibody sequence data. Then, we employ the learned representations to guide the training of a diffusion model for joint optimization over both sequence and structure of antibodies. During the final alignment stage, we optimize the model to favor antibodies with low repulsion and high attraction to the antigen binding site, enhancing the rationality and functionality of the designs. To mitigate conflicting energy preferences, we extend AbDPO (Antibody Direct Preference Optimization) to guide the model towards Pareto optimality under multiple energy-based alignment objectives. Furthermore, we adopt an iterative learning paradigm with temperature scaling, enabling the model to benefit from diverse online datasets without requiring additional data. In practice, our proposed methods achieve high stability and efficiency in producing a better Pareto front of antibody designs compared to top samples generated by baselines and previous alignment techniques. Through extensive experiments, we showcase the superior performance of our methods in generating nature-like antibodies with high binding affinity consistently.
• Abstract（参考訳）: 抗体配列構造共設計に特化したディープラーニングモデルを学習するための3段階のフレームワークを提案する。 まず、何百万もの抗体配列データを用いて言語モデルを事前訓練する。 そして,これらの表現を用いて,抗体配列と構造の両方に対する共同最適化のための拡散モデルの訓練を指導する。 最終アライメントの段階では,低反発性,抗原結合部位への高いアトラクションを有する抗体を選好するモデルを最適化し,設計の合理性と機能性を高める。 対立するエネルギーの選好を緩和するため、我々はAbDPO(Antibody Direct Preference Optimization)を拡張し、複数のエネルギーベースのアライメント目的の下でパレート最適性に向けてモデルを導く。 さらに、温度スケーリングを伴う反復学習パラダイムを採用し、追加データを必要としない多様なオンラインデータセットの恩恵を受けることができる。 提案手法は, ベースライン法および先行アライメント法により生成されたトップサンプルと比較して, 抗体設計の優れたPareto前駆体を製造する上で, 高い安定性と効率を実現する。 広範囲にわたる実験を通じて,本手法は,高い結合親和性を有する自然様抗体を連続的に生成する上で,優れた性能を示す。

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)
• Bridging Model-Based Optimization and Generative Modeling via Conservative Fine-Tuning of Diffusion Models [54.132297393662654]
  本稿では,RLによる報酬モデルの最適化により,最先端拡散モデルを微調整するハイブリッド手法を提案する。 我々は、報酬モデルの補間能力を活用し、オフラインデータにおいて最良の設計を上回るアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-05-30T03:57:29Z)
• 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)
• Preference optimization of protein language models as a multi-objective binder design paradigm [0.0]
  命令の微調整と直接選好最適化に基づく多目的バインダー設計パラダイムを提案する。 提案したアライメント戦略により,ProtGPT2は特定の受容体に条件付けられたバインダーを効果的に設計し,薬物発生性基準を策定できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T03:36:03Z)
• Inverse folding for antibody sequence design using deep learning [2.8998926117101367]
  本稿では, 抗体構造に特異的に最適化した, 精密な折り畳み逆モデルを提案する。 本研究では、相補性決定領域の標準的コンフォーメーションについて検討し、これらのループの既知のクラスタへの符号化を改善した。
  論文  参考訳（メタデータ） (2023-10-30T13:12:41Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)

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。