論文の概要: dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen
- arxiv url: http://arxiv.org/abs/2503.01910v1
- Date: Sat, 01 Mar 2025 03:53:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 18:50:38.315124
- Title: dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen
- Title(参考訳): dyAb:AlphaFold駆動プレボンディング抗原を用いたフレキシブル抗体設計のためのフローマッチング
- Authors: Cheng Tan, Yijie Zhang, Zhangyang Gao, Yufei Huang, Haitao Lin, Lirong Wu, Fandi Wu, Mathieu Blanchette, Stan. Z. Li,
- Abstract要約: 治療抗体の開発は、抗原が抗体とどのように相互作用するかの正確な予測に大きく依存している。
抗体設計における既存の計算方法はしばしば、結合過程において抗原が実行されている重要なコンフォメーション変化を見落としている。
我々は、αFold2による予測を組み込んだ柔軟なフレームワークであるdyAbを導入し、前結合性抗原構造をモデル化する。
- 参考スコア(独自算出の注目度): 52.809470467635194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of therapeutic antibodies heavily relies on accurate predictions of how antigens will interact with antibodies. Existing computational methods in antibody design often overlook crucial conformational changes that antigens undergo during the binding process, significantly impacting the reliability of the resulting antibodies. To bridge this gap, we introduce dyAb, a flexible framework that incorporates AlphaFold2-driven predictions to model pre-binding antigen structures and specifically addresses the dynamic nature of antigen conformation changes. Our dyAb model leverages a unique combination of coarse-grained interface alignment and fine-grained flow matching techniques to simulate the interaction dynamics and structural evolution of the antigen-antibody complex, providing a realistic representation of the binding process. Extensive experiments show that dyAb significantly outperforms existing models in antibody design involving changing antigen conformations. These results highlight dyAb's potential to streamline the design process for therapeutic antibodies, promising more efficient development cycles and improved outcomes in clinical applications.
- Abstract(参考訳): 治療抗体の開発は、抗原が抗体とどのように相互作用するかの正確な予測に大きく依存している。
既存の抗体設計における計算手法は、結合過程において抗原が行う重要なコンフォメーション変化を見落とし、その結果の抗体の信頼性に大きな影響を及ぼす。
このギャップを埋めるために、我々は、AlphaFold2による予測を組み込んだ柔軟なフレームワークであるdyAbを導入し、前結合性抗原構造をモデル化し、特に抗原コンホメーション変化の動的性質に対処する。
我々のdyAbモデルは、粒度の粗い界面アライメントと細粒度のフローマッチングのユニークな組み合わせを利用して、抗原-抗体複合体の相互作用のダイナミクスと構造的進化をシミュレートし、結合過程の現実的な表現を提供する。
過剰な実験により、dyAbは抗原のコンフォメーションの変化を伴う抗体設計において、既存のモデルよりも著しく優れていることが示された。
これらの結果は、dyAbが治療抗体の設計プロセスを効率化し、より効率的な開発サイクルを約束し、臨床応用の成果を向上する可能性を強調している。
関連論文リスト
- Benchmark for Antibody Binding Affinity Maturation and Design [11.905797701155263]
AbBiBenchは、抗体結合親和性成熟と設計のためのベンチマークフレームワークである。
まず、9つの抗原を含む9つのデータセットをキュレートし、標準化し、共有する。
マスク付き言語モデル、自己回帰言語モデル、逆折り畳みモデル、拡散ベース生成モデル、幾何学グラフモデルを含む14のタンパク質モデルを比較した。
論文 参考訳(メタデータ) (2025-05-23T21:09:04Z) - Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering [9.789817970737666]
抗体工学における研究の重要な領域は、抗体-抗原結合親和性を高める効果的な修飾を見つけることである。
ディープラーニングソリューションは、結合親和性の変化を予測するために抗体構造をモデル化する代替手段を提供する。
本稿では,抗体-抗原複合体の配列情報のみに基づいて結合親和性変化を予測する深層学習モデルProtAttBAを提案する。
論文 参考訳(メタデータ) (2025-05-14T15:00:46Z) - Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin [0.15547733154162566]
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。
論文 参考訳(メタデータ) (2025-02-02T06:48:45Z) - 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) - Precise Antigen-Antibody Structure Predictions Enhance Antibody Development with HelixFold-Multimer [7.702856943171885]
HelixFold-MultimerはAlphaFold-Multimerのフレームワーク上に構築されている。
抗体発生の洞察を与え、より正確な結合部位の同定を可能にする。
これらの進歩は、抗体研究と治療革新を支援するHelixFold-Multimerの可能性を浮き彫りにした。
論文 参考訳(メタデータ) (2024-12-13T03:36:23Z) - 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) - A Hierarchical Training Paradigm for Antibody Structure-sequence
Co-design [54.30457372514873]
抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。
HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。
実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
論文 参考訳(メタデータ) (2023-10-30T02:39:15Z) - 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)
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。