論文の概要: AbFlowNet: Optimizing Antibody-Antigen Binding Energy via Diffusion-GFlowNet Fusion

• arxiv url: http://arxiv.org/abs/2505.12358v1
• Date: Sun, 18 May 2025 10:40:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.186383
• Title: AbFlowNet: Optimizing Antibody-Antigen Binding Energy via Diffusion-GFlowNet Fusion
• Title（参考訳）: AbFlowNet:拡散-GFlowNet融合による抗体-抗原結合エネルギーの最適化
• Authors: Abrar Rahman Abir, Haz Sameen Shahgir, Md Rownok Zahan Ratul, Md Toki Tahmid, Greg Ver Steeg, Yue Dong,
• Abstract要約: AbFlowNetは、GFlowNetとDiffusionモデルを統合する新しい生成フレームワークである。 各拡散ステップをGFlowNetフレームワークのステートとしてフレーミングすることで、AbFlowNetは標準拡散損失と結合エネルギーを共同で最適化する。 ABFlowNetはまた、テストデータセットを擬似ラベル付けしたり、計算に高価なオンラインRLシステムを使用することなく、トップ1の総エネルギーと結合エネルギーエラーを24.8%、38.1%削減する。
• 参考スコア（独自算出の注目度）: 17.710599994624943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complementarity Determining Regions (CDRs) are critical segments of an antibody that facilitate binding to specific antigens. Current computational methods for CDR design utilize reconstruction losses and do not jointly optimize binding energy, a crucial metric for antibody efficacy. Rather, binding energy optimization is done through computationally expensive Online Reinforcement Learning (RL) pipelines rely heavily on unreliable binding energy estimators. In this paper, we propose AbFlowNet, a novel generative framework that integrates GFlowNet with Diffusion models. By framing each diffusion step as a state in the GFlowNet framework, AbFlowNet jointly optimizes standard diffusion losses and binding energy by directly incorporating energy signals into the training process, thereby unifying diffusion and reward optimization in a single procedure. Experimental results show that AbFlowNet outperforms the base diffusion model by 3.06% in amino acid recovery, 20.40% in geometric reconstruction (RMSD), and 3.60% in binding energy improvement ratio. ABFlowNet also decreases Top-1 total energy and binding energy errors by 24.8% and 38.1% without pseudo-labeling the test dataset or using computationally expensive online RL regimes.
• Abstract（参考訳）: 相補性決定領域 (complementarity Determining Regions, CDR) は、特定の抗原への結合を促進する抗体の重要な部分である。 CDR設計における現在の計算手法は、再構成損失を利用しており、抗体効果の重要な指標である結合エネルギーを共同最適化していない。 むしろ、結合エネルギーの最適化は、計算に高価なオンライン強化学習(RL)パイプラインを通して行われる。 本稿では,GFlowNetと拡散モデルを統合する新しい生成フレームワークであるAbFlowNetを提案する。 各拡散ステップをGFlowNetフレームワークの状態としてフレーミングすることにより、AbFlowNetはトレーニングプロセスにエネルギー信号を直接組み込むことで標準拡散損失と結合エネルギーを共同で最適化し、単一の手順で拡散と報酬の最適化を統一する。 実験の結果,AbFlowNetはアミノ酸回収率を3.06%,幾何再構成率を20.40%,結合エネルギー改善率を3.60%上回った。 ABFlowNetはまた、テストデータセットを擬似ラベル付けしたり、計算に高価なオンラインRLシステムを使用することなく、トップ1の総エネルギーと結合エネルギーエラーを24.8%、38.1%削減する。

関連論文リスト

• Energy-Weighted Flow Matching for Offline Reinforcement Learning [53.64306385597818]
  本稿では, 生成モデルにおけるエネルギー誘導について検討し, 対象分布をp(mathbf x)exp(-beta mathcal E(mathcal x))$, $p(mathbf x)$, $mathcal E(mathcal x)$と定義する。 補助モデルを必要としないエネルギー誘導流を直接学習するEFM(Energy-weighted Flow Match)を導入する。 我々はこの方法論をエネルギー重み付けに拡張する
  論文  参考訳（メタデータ） (2025-03-06T21:10:12Z)
• Diffusion Model Based Resource Allocation Strategy in Ultra-Reliable Wireless Networked Control Systems [10.177917426690701]
  拡散モデルは、複雑なデータ分散をキャプチャするその能力を活用することによって、生成AIで大いに利用されている。 本稿では,無線ネットワーク制御システムのための新しい拡散モデルに基づく資源配分手法を提案する。 提案手法は,従来提案されていたDeep Reinforcement Learning (DRL) ベースの手法よりも高い性能を示し,全消費電力に関する最適性能を示した。
  論文  参考訳（メタデータ） (2024-07-22T16:44:57Z)
• UniPTS: A Unified Framework for Proficient Post-Training Sparsity [67.16547529992928]
  Post-Traiing Sparsity (PTS)は、必要な限られたデータで効率的なネットワークスパシティを追求する、新たに登場した道である。 本稿では,従来のスパシティの性能をPSSの文脈に大きく変化させる3つの基本因子を変換することで,この相違を解消しようとする。 我々のフレームワークはUniPTSと呼ばれ、広範囲のベンチマークで既存のPTSメソッドよりも優れていることが検証されている。
  論文  参考訳（メタデータ） (2024-05-29T06:53:18Z)
• Adaptive Decentralized Federated Learning in Energy and Latency Constrained Wireless Networks [4.03161352925235]
  中央ノードで集約されたパラメータを持つフェデレートラーニング(FL)では、通信オーバーヘッドがかなり懸念される。 最近の研究では、分散フェデレートラーニング(DFL)が実現可能な代替手段として紹介されている。 エネルギーと遅延の制約を考慮してDFLの損失関数を最小化する問題を定式化する。
  論文  参考訳（メタデータ） (2024-03-29T09:17:40Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Training Energy-Based Normalizing Flow with Score-Matching Objectives [36.0810550035231]
  エネルギーベース正規化フロー(EBFlow)と呼ばれる新しいフローベースモデリング手法を提案する。 本研究では,EBFlowをスコアマッチング目的に最適化することにより,線形変換に対するヤコビ行列式の計算を完全に回避できることを実証する。
  論文  参考訳（メタデータ） (2023-05-24T15:54:29Z)
• Consistent Training via Energy-Based GFlowNets for Modeling Discrete Joint Distributions [79.47120571256026]
  Generative Flow Networks (GFlowNets)は、様々なオブジェクトを$x$に、報酬関数$R(x)$を付与することで、大幅なパフォーマンス向上を実現している。 我々は、GFlowNetsと共同でエネルギーベースモデルを学習し、それを拡張して複数の変数のジョイントを学習する、という最近の研究の上に構築する。 このジョイントトレーニングやジョイントエナジーに基づく定式化は、抗微生物ペプチドの生成に大きな改善をもたらすことが判明した。
  論文  参考訳（メタデータ） (2022-11-01T16:25:14Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。