論文の概要: AffinityFlow: Guided Flows for Antibody Affinity Maturation
- arxiv url: http://arxiv.org/abs/2502.10365v2
- Date: Mon, 17 Feb 2025 11:45:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:10:02.273846
- Title: AffinityFlow: Guided Flows for Antibody Affinity Maturation
- Title(参考訳): アフィニティフロー:抗体親和性成熟のためのガイドフロー
- Authors: Can Chen, Karla-Luise Herpoldt, Chenchao Zhao, Zichen Wang, Marcus Collins, Shang Shang, Ron Benson,
- Abstract要約: 抗体は治療薬として広く用いられているが、その発達には結合親和性を高めるために親和性成熟が必要である。
最近、AlphaFlowはAlphaFoldをフローマッチングにラップし、様々なタンパク質構造を生成する。
本稿では,(1)構造に基づく親和性予測器を用いて構造生成を高結合親和性へ導くために,(1)規則を修正し,(2)規則に基づく親和性予測器によって改良された配列変異を生成するための逆フォールディングを適用する。
- 参考スコア(独自算出の注目度): 6.690846683150576
- License:
- Abstract: Antibodies are widely used as therapeutics, but their development requires costly affinity maturation, involving iterative mutations to enhance binding affinity.This paper explores a sequence-only scenario for affinity maturation, using solely antibody and antigen sequences. Recently AlphaFlow wraps AlphaFold within flow matching to generate diverse protein structures, enabling a sequence-conditioned generative model of structure. Building on this, we propose an alternating optimization framework that (1) fixes the sequence to guide structure generation toward high binding affinity using a structure-based affinity predictor, then (2) applies inverse folding to create sequence mutations, refined by a sequence-based affinity predictor for post selection. A key challenge is the lack of labeled data for training both predictors. To address this, we develop a co-teaching module that incorporates valuable information from noisy biophysical energies into predictor refinement. The sequence-based predictor selects consensus samples to teach the structure-based predictor, and vice versa. Our method, AffinityFlow, achieves state-of-the-art performance in affinity maturation experiments. We plan to open-source our code after acceptance.
- Abstract(参考訳): 抗体は治療薬として広く用いられているが、その開発には、結合親和性を高めるために反復突然変異を含む、コストのかかる親和性成熟が必要である。
最近、AlphaFlowはAlphaFoldをフローマッチングにラップし、様々なタンパク質構造を生成する。
そこで我々は,(1) 構造に基づく親和性予測器を用いて構造生成を高結合親和性へ導くために,(1) 配列を修正し,(2) 配列に基づく親和性予測器によって改良された逆フォールディングを適用して配列突然変異を生成するための交互最適化フレームワークを提案する。
重要な課題は、両方の予測器をトレーニングするためのラベル付きデータの欠如である。
そこで我々は,ノイズの多い生物物理エネルギーから得られる貴重な情報を予測器の改良に組み込む,協調学習モジュールを開発した。
シーケンスベースの予測器は、コンセンサスサンプルを選択して構造ベースの予測器を教える。
AffinityFlowは親和性成熟実験において最先端の性能を達成する。
受け入れ後、コードをオープンソース化する予定です。
関連論文リスト
- FlowDock: Geometric Flow Matching for Generative Protein-Ligand Docking and Affinity Prediction [3.8366697175402225]
FlowDockは、非有界(アポ)構造をそれらの有界(ホロ)構造にマッピングすることを学ぶ最初の深部幾何学的生成モデルである。
FlowDockは、予測された構造的信頼度スコアと、生成したタンパク質-リガンド複合体構造とのアフィニティ値を提供する。
論文 参考訳(メタデータ) (2024-12-14T20:54:37Z) - 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) - Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。
我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。
我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
論文 参考訳(メタデータ) (2024-05-30T17:53:50Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - Decoupled Sequence and Structure Generation for Realistic Antibody Design [45.72237864940556]
主要なパラダイムは、モデルに抗体配列と構造を候補として共同で生成するように訓練することである。
本稿では, 配列生成と構造予測を分離した抗体配列構造デカップリング(ASSD)フレームワークを提案する。
ASSDは様々な抗体設計実験で性能が向上し、合成に基づく目的は非自己回帰モデルのトークン反復を軽減した。
論文 参考訳(メタデータ) (2024-02-08T13:02:05Z) - Mutual Exclusivity Training and Primitive Augmentation to Induce
Compositionality [84.94877848357896]
最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。
本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。
広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
論文 参考訳(メタデータ) (2022-11-28T17:36:41Z) - 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) - Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate
Folding Landscape and Protein Structure Prediction [28.630603355510324]
そこで我々は,メタ生成モデルであるEvoGenを提案し,貧弱なMSAターゲットに対するAlphaFold2のアンダーパフォーマンスを改善する。
EvoGenは、キャリブレーションまたは実質的に生成されたホモログシーケンスでモデルにプロンプトすることで、AlphaFold2を低データで正確に折り畳むのに役立つ。
論文 参考訳(メタデータ) (2022-08-20T10:23:17Z) - Iterative Refinement Graph Neural Network for Antibody
Sequence-Structure Co-design [35.215029426177004]
そこで本研究では,結合特異性や中和機能を増強した抗体を自動設計する生成モデルを提案する。
本手法は,SARS-CoV-2ウイルスを中和可能な抗体の設計において,テストセット上で優れたログライクレーションを実現し,過去のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2021-10-09T18:23:32Z)
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。