論文の概要: Multi-Modality Representation Learning for Antibody-Antigen Interactions Prediction

• arxiv url: http://arxiv.org/abs/2503.17666v1
• Date: Sat, 22 Mar 2025 06:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 16:32:16.756324
• Title: Multi-Modality Representation Learning for Antibody-Antigen Interactions Prediction
• Title（参考訳）: 抗体・抗原相互作用予測のための多モード表現学習
• Authors: Peijin Guo, Minghui Li, Hewen Pan, Ruixiang Huang, Lulu Xue, Shengqing Hu, Zikang Guo, Wei Wan, Shengshan Hu,
• Abstract要約: グラフアテンションネットワークを利用してグラフレベルの構造特徴を照らし、正規化適応グラフ畳み込みネットワークを用いて抗体間の配列関係を捕捉するAAI予測フレームワークであるMuLAAIPを提案する。 以上の結果から, MuLAAIP は現在の最先端手法よりも予測性能に優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 6.681379194115459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning models play a crucial role in predicting antibody-antigen interactions (AAI), the scarcity of publicly available sequence-structure pairings constrains their generalization. Current AAI methods often focus on residue-level static details, overlooking fine-grained structural representations of antibodies and their inter-antibody similarities. To tackle this challenge, we introduce a multi-modality representation approach that integates 3D structural and 1D sequence data to unravel intricate intra-antibody hierarchical relationships. By harnessing these representations, we present MuLAAIP, an AAI prediction framework that utilizes graph attention networks to illuminate graph-level structural features and normalized adaptive graph convolution networks to capture inter-antibody sequence associations. Furthermore, we have curated an AAI benchmark dataset comprising both structural and sequence information along with interaction labels. Through extensive experiments on this benchmark, our results demonstrate that MuLAAIP outperforms current state-of-the-art methods in terms of predictive performance. The implementation code and dataset are publicly available at https://github.com/trashTian/MuLAAIP for reproducibility.
• Abstract（参考訳）: 深層学習モデルは、抗体-抗原相互作用(AAI)を予測する上で重要な役割を担っているが、公開されている配列-構造ペアリングの不足は、その一般化を妨げている。 現在のAAI法は、抗体の微細な構造的表現と抗体間の類似性を見越して、残基レベルの静的詳細に焦点を当てることが多い。 この課題に対処するために, 複雑な抗体内階層関係を解き放つために, 3次元構造および1次元配列データを解析する多モード表現手法を提案する。 これらの表現を活用することで、グラフアテンションネットワークを利用してグラフレベルの構造特徴を照らし、正規化適応グラフ畳み込みネットワークを用いて抗体間の配列関係をキャプチャする、AAI予測フレームワークであるMuLAAIPを提案する。 さらに、構造情報とシーケンス情報と相互作用ラベルからなるAAIベンチマークデータセットをキュレートした。 このベンチマークの広範な実験により, MuLAAIP は予測性能において現在の最先端手法よりも優れていることを示した。 実装コードとデータセットは、再現性のためにhttps://github.com/trashTian/MuLAAIPで公開されている。

関連論文リスト

• Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions [2.9633211091806997]
  我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
  論文  参考訳（メタデータ） (2025-03-23T06:30:48Z)
• Text-Derived Relational Graph-Enhanced Network for Skeleton-Based Action Segmentation [14.707224594220264]
  本稿では,モデリングと監視の両面を強化するために,テキストDerived Graph Network (TRG-Net)を提案する。 モデリングでは、動的時空間融合モデリング (Dynamic Spatio-Temporal Fusion Modeling, D) 法は、JGT (Text-Derived Joint Graphs) とチャネル適応を組み込む。 ARIS(Absolute-Relative Inter-Class Supervision)法では、絶対クラスを正規化するためにアクション特徴とテキスト埋め込みの対比学習を用いる。
  論文  参考訳（メタデータ） (2025-03-19T11:38:14Z)
• Incorporating Attributes and Multi-Scale Structures for Heterogeneous Graph Contrastive Learning [8.889313669713918]
  異種グラフのための新しいコントラスト学習フレームワーク(ASHGCL)を提案する。 ASHGCLには3つの異なるビューがあり、それぞれがノード属性、高階構造情報、低階構造情報に焦点を当てている。 本稿では,属性情報と属性情報を組み合わせた属性強化型正のサンプル選択手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T05:15:21Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• HGTDP-DTA: Hybrid Graph-Transformer with Dynamic Prompt for Drug-Target Binding Affinity Prediction [14.866669337498257]
  薬物標的結合親和性(DTA)は薬物スクリーニングの重要な基準である。 本研究では,HGTDP-DTAと呼ばれる新しいDTA予測手法を提案する。 本手法は,各薬物・標的ペアに対してコンテキスト特異的なプロンプトを生成し,ユニークな相互作用を捕捉するモデルの能力を高める。 Davis と KIBA の2つの広く使われている公開データセットの実験により、HGTDP-DTA は予測性能と一般化能力の両方において最先端のDTA予測手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-25T16:33:33Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting [18.069747511100132]
  時系列間の関係は、効果的な予測モデル学習における帰納バイアスとして利用することができる。 本稿では,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-05-30T16:27:25Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Self-Supervised Representation Learning from Temporal Ordering of Automated Driving Sequences [49.91741677556553]
  本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。 我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。 BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-02-17T18:18:27Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)

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。