論文の概要: Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering

• arxiv url: http://arxiv.org/abs/2505.20301v1
• Date: Wed, 14 May 2025 15:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.454668
• Title: Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering
• Title（参考訳）: 結合親和性変化のシーケンスオンリー予測:抗体工学のロバストで解釈可能なモデル
• Authors: Chen Liu, Mingchen Li, Yang Tan, Wenrui Gou, Guisheng Fan, Bingxin Zhou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.789817970737666
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A pivotal area of research in antibody engineering is to find effective modifications that enhance antibody-antigen binding affinity. Traditional wet-lab experiments assess mutants in a costly and time-consuming manner. Emerging deep learning solutions offer an alternative by modeling antibody structures to predict binding affinity changes. However, they heavily depend on high-quality complex structures, which are frequently unavailable in practice. Therefore, we propose ProtAttBA, a deep learning model that predicts binding affinity changes based solely on the sequence information of antibody-antigen complexes. ProtAttBA employs a pre-training phase to learn protein sequence patterns, following a supervised training phase using labeled antibody-antigen complex data to train a cross-attention-based regressor for predicting binding affinity changes. We evaluated ProtAttBA on three open benchmarks under different conditions. Compared to both sequence- and structure-based prediction methods, our approach achieves competitive performance, demonstrating notable robustness, especially with uncertain complex structures. Notably, our method possesses interpretability from the attention mechanism. We show that the learned attention scores can identify critical residues with impacts on binding affinity. This work introduces a rapid and cost-effective computational tool for antibody engineering, with the potential to accelerate the development of novel therapeutic antibodies.
• Abstract（参考訳）: 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。 伝統的なウェットラブ実験は、コストと時間のかかる方法でミュータントを評価する。 新たな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。 しかし、それらは高品位な複雑な構造に大きく依存しており、実際は利用できないことが多い。 そこで本研究では,抗体-抗原複合体の配列情報のみに基づいて,結合親和性の変化を予測する深層学習モデルProtAttBAを提案する。 ProtAttBAは、ラベル付き抗体抗原複合体データを用いて、結合親和性の変化を予測するためのクロスアテンションベースの回帰器を訓練するための教師付きトレーニングフェーズに従って、タンパク質配列パターンを学ぶための事前訓練フェーズを採用している。 異なる条件下で3つのオープンベンチマークでProtAttBAを評価した。 シーケンスおよび構造に基づく予測手法と比較して,本手法は競争性能が向上し,特に不確実な複素構造において顕著なロバスト性を示す。 特に,本手法は注意機構からの解釈可能性を有する。 学習した注意スコアは,結合親和性に影響を及ぼす重要な残基を同定できることを示す。 本研究は,新規な治療用抗体の開発を加速する可能性を持つ,迅速かつ費用対効果の高い抗体工学計算ツールを導入する。

関連論文リスト

• dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen [52.809470467635194]
  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。
  論文  参考訳（メタデータ） (2025-03-01T03:53:18Z)
• AffinityFlow: Guided Flows for Antibody Affinity Maturation [6.690846683150576]
  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。
  論文  参考訳（メタデータ） (2025-02-14T18:43:22Z)
• 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)
• 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)
• 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)
• Sequence-based deep learning antibody design for in silico antibody affinity maturation [0.0]
  治療リードの最適化ステップは抗体発見パイプラインでますます人気が高まっている。 従来の方法とシリコのアプローチは、特定の標的抗原に対して高い結合親和性を有する候補を生成することを目指している。 本研究では,抗体親和性予測の観点から,抗体-抗原相互作用を表現するための異なるグラフに基づく設計について検討した。
  論文  参考訳（メタデータ） (2021-02-21T02:48:31Z)

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。