論文の概要: IgCraft: A versatile sequence generation framework for antibody discovery and engineering
- arxiv url: http://arxiv.org/abs/2503.19821v1
- Date: Tue, 25 Mar 2025 16:32:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:53:25.508598
- Title: IgCraft: A versatile sequence generation framework for antibody discovery and engineering
- Title(参考訳): IgCraft: 抗体発見と工学のための多用途配列生成フレームワーク
- Authors: Matthew Greenig, Haowen Zhao, Vladimir Radenkovic, Aubin Ramon, Pietro Sormanni,
- Abstract要約: IgCraftはBayesian Flow Networks上に構築されたペア型ヒト抗体配列生成のための多目的モデルである。
以前分離されたタスクを単一のスケーラブルな生成モデルに統合することで、IgCraftはヒトの抗体配列をサンプリングするための汎用的なプラットフォームを提供する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Designing antibody sequences to better resemble those observed in natural human repertoires is a key challenge in biologics development. We introduce IgCraft: a multi-purpose model for paired human antibody sequence generation, built on Bayesian Flow Networks. IgCraft presents one of the first unified generative modeling frameworks capable of addressing multiple antibody sequence design tasks with a single model, including unconditional sampling, sequence inpainting, inverse folding, and CDR motif scaffolding. Our approach achieves competitive results across the full spectrum of these tasks while constraining generation to the space of human antibody sequences, exhibiting particular strengths in CDR motif scaffolding (grafting) where we achieve state-of-the-art performance in terms of humanness and preservation of structural properties. By integrating previously separate tasks into a single scalable generative model, IgCraft provides a versatile platform for sampling human antibody sequences under a variety of contexts relevant to antibody discovery and engineering. Model code and weights are publicly available at github.com/mgreenig/IgCraft.
- Abstract(参考訳): 天然のヒトレパートリーによく似た抗体配列を設計することは、生物学の発展において重要な課題である。
ベイジアンフローネットワーク上に構築された,ペア型ヒト抗体配列生成のための多目的モデルIgCraftを紹介する。
IgCraftは、無条件サンプリング、シークエンスインペインティング、逆フォールディング、CDRモチーフスキャフォールディングを含む単一のモデルで複数の抗体配列設計タスクに対処できる最初の統合生成モデリングフレームワークの1つを提示する。
提案手法は,ヒトの抗体配列の空間に生成を拘束しながら,これらのタスクの全スペクトルにわたる競争的な結果を達成し,人間性および構造的特性の保存の観点から最先端のパフォーマンスを達成できるCDRモチーフスキャフォールド(グラフト)において,特に強みを示す。
以前分離されたタスクを単一のスケーラブルな生成モデルに統合することにより、IgCraftは、抗体発見とエンジニアリングに関連するさまざまなコンテキスト下でヒトの抗体配列をサンプリングする汎用的なプラットフォームを提供する。
モデルコードとウェイトはgithub.com/mgreenig/IgCraftで公開されている。
関連論文リスト
- 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) - 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) - Hierarchical Generation of Human-Object Interactions with Diffusion
Probabilistic Models [71.64318025625833]
本稿では,対象物と相互作用する人間の3次元運動を生成するための新しいアプローチを提案する。
私たちのフレームワークはまず一連のマイルストーンを生成し、それに沿って動きを合成します。
NSM, COUCH, SAMPデータセットを用いた実験では, 従来の手法よりも品質と多様性に大きな差があることが示されている。
論文 参考訳(メタデータ) (2023-10-03T17:50:23Z) - Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot
Antibody Designer [58.97153056120193]
抗体の特異性は、その相補性決定領域(CDR)によって決定される
従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。
本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
論文 参考訳(メタデータ) (2023-04-21T13:24:26Z) - Generative Antibody Design for Complementary Chain Pairing Sequences
through Encoder-Decoder Language Model [0.0]
ペア化パートナーから補体重鎖や軽鎖を生成するエンコーダデコーダモデルであるペア化T5(pAbT5)を提案する。
本研究は,pAbT5の誘導抗体設計における可能性を示し,鎖の組合わせによる生物学的制約を取り入れた。
論文 参考訳(メタデータ) (2023-01-06T23:34:52Z) - 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) - 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) - Benchmarking deep generative models for diverse antibody sequence design [18.515971640245997]
シーケンスのみから、あるいはシーケンスと構造を共同で学習する深層生成モデルは、このタスクにおいて印象的なパフォーマンスを示している。
最近提案されたタンパク質設計のための3つの深い生成フレームワークについて考察する: (AR) 配列ベースの自己回帰生成モデル、(GVP) 正確な構造ベースのグラフニューラルネットワーク、そして3次元折り畳みのファジィでスケールフリーな表現を利用するFold2Seq。
我々は,これらのモデルを,機能的含意に高い多様性を持つ設計配列を必要とする抗体配列の計算設計のタスクに基づいてベンチマークする。
論文 参考訳(メタデータ) (2021-11-12T16:23:32Z)
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。