論文の概要: Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin

• arxiv url: http://arxiv.org/abs/2502.00694v1
• Date: Sun, 02 Feb 2025 06:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:24.991259
• Title: Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin
• Title（参考訳）: 大型言語モデルを用いたインフルエンザA型ヘマグルチニンに対する抗体生物活性の予測
• Authors: Ella Barkan, Ibrahim Siddiqui, Kevin J. Cheng, Alex Golts, Yoel Shoshan, Jeffrey K. Weber, Yailin Campos Mota, Michal Ozery-Flato, Giuseppe A. Sautto,
• Abstract要約: インフルエンザA型ヘマグルチニン(HA)抗原に対する抗体の結合および受容体遮断活性を予測するためのAIモデルを開発した。 AUROC $geq$0.91, AUROC $geq$0.91, AUROC for unseen HAs。
• 参考スコア（独自算出の注目度）: 0.15547733154162566
• License:
• Abstract: Monoclonal antibodies (mAbs) represent one of the most prevalent FDA-approved modalities for treating autoimmune diseases, infectious diseases, and cancers. However, discovery and development of therapeutic antibodies remains a time-consuming and expensive process. Recent advancements in machine learning (ML) and artificial intelligence (AI) have shown significant promise in revolutionizing antibody discovery and optimization. In particular, models that predict antibody biological activity enable in-silico evaluation of binding and functional properties; such models can prioritize antibodies with the highest likelihoods of success in costly and time-intensive laboratory testing procedures. We here explore an AI model for predicting the binding and receptor blocking activity of antibodies against influenza A hemagglutinin (HA) antigens. Our present model is developed with the MAMMAL framework for biologics discovery to predict antibody-antigen interactions using only sequence information. To evaluate the model's performance, we tested it under various data split conditions to mimic real-world scenarios. Our models achieved an AUROC $\geq$ 0.91 for predicting the activity of existing antibodies against seen HAs and an AUROC of 0.9 for unseen HAs. For novel antibody activity prediction, the AUROC was 0.73, which further declined to 0.63-0.66 under stringent constraints on similarity to existing antibodies. These results demonstrate the potential of AI foundation models to transform antibody design by reducing dependence on extensive laboratory testing and enabling more efficient prioritization of antibody candidates. Moreover, our findings emphasize the critical importance of diverse and comprehensive antibody datasets to improve the generalization of prediction models, particularly for novel antibody development.
• Abstract（参考訳）: モノクローナル抗体(mAbs)は、自己免疫疾患、感染症、がんの治療において、FDAが承認した最も一般的なモダリティの1つである。 しかし、治療用抗体の発見と開発は、依然として時間と費用のかかるプロセスである。 機械学習(ML)と人工知能(AI)の最近の進歩は、抗体発見と最適化に革命をもたらす大きな可能性を示している。 特に、抗体生物活性を予測するモデルでは、結合性や機能特性をシリコで評価することができる。 本稿では,インフルエンザA型ヘマグルチニン(HA)抗原に対する抗体の結合および受容体遮断活性を予測するためのAIモデルについて検討する。 本モデルでは,遺伝子情報のみを用いて抗体と抗原の相互作用を予測するためのMAMMALフレームワークを開発した。 モデルの性能を評価するために,実世界のシナリオを模倣するために,様々なデータ分割条件下で実験を行った。 AUROC $\geq$ 0.91, 未確認HAに対する既存の抗体の活性を予測するAUROC $\geq$ 0.91, 未確認HAに対するAUROC 0.9を達成した。 新規抗体活性予測では、AUROCは0.73であり、既存の抗体との類似性に関する厳密な制約の下でさらに0.63-0.66に低下した。 これらの結果は, 広範囲な検査への依存を低減し, 抗体候補のより効率的な優先順位付けを可能にすることによって, 抗体設計を変換するAI基盤モデルの可能性を示すものである。 さらに, 予測モデルの一般化, 特に新規抗体開発における多種多様な包括的抗体データセットの重要性を強調した。

関連論文リスト

• Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
  本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。 さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
  論文  参考訳（メタデータ） (2024-12-14T03:00:44Z)
• Generative Humanization for Therapeutic Antibodies [4.456125565993172]
  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。
  論文  参考訳（メタデータ） (2024-12-06T02:54:45Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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。