論文の概要: AbBiBench: A Benchmark for Antibody Binding Affinity Maturation and Design

• arxiv url: http://arxiv.org/abs/2506.04235v2
• Date: Fri, 10 Oct 2025 23:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 15:48:08.751098
• Title: AbBiBench: A Benchmark for Antibody Binding Affinity Maturation and Design
• Title（参考訳）: AbBiBench: 抗体結合親和性の成熟と設計のためのベンチマーク
• Authors: Xinyan Zhao, Yi-Ching Tang, Akshita Singh, Victor J Cantu, KwanHo An, Junseok Lee, Adam E Stogsdill, Ibraheem M Hamdi, Ashwin Kumar Ramesh, Zhiqiang An, Xiaoqian Jiang, Yejin Kim,
• Abstract要約: 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。 タンパク質モデルが完全なAb-Ag複合体をどれだけうまくスコアするかを測定することによって、抗体設計の結合電位を評価する。
• 参考スコア（独自算出の注目度）: 8.195812610020203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce AbBiBench (Antibody Binding Benchmarking), a benchmarking framework for antibody binding affinity maturation and design. Unlike previous strategies that evaluate antibodies in isolation, typically by comparing them to natural sequences with metrics such as amino acid recovery rate or structural RMSD, AbBiBench instead treats the antibody-antigen (Ab-Ag) complex as the fundamental unit. It evaluates an antibody design's binding potential by measuring how well a protein model scores the full Ab-Ag complex. We first curate, standardize, and share more than 184,500 experimental measurements of antibody mutants across 14 antibodies and 9 antigens-including influenza, lysozyme, HER2, VEGF, integrin, Ang2, and SARS-CoV-2-covering both heavy-chain and light-chain mutations. Using these datasets, we systematically compare 15 protein models including masked language models, autoregressive language models, inverse folding models, diffusion-based generative models, and geometric graph models by comparing the correlation between model likelihood and experimental affinity values. Additionally, to demonstrate AbBiBench's generative utility, we apply it to antibody F045-092 in order to introduce binding to influenza H1N1. We sample new antibody variants with the top-performing models, rank them by the structural integrity and biophysical properties of the Ab-Ag complex, and assess them with in vitro ELISA binding assays. Our findings show that structure-conditioned inverse folding models outperform others in both affinity correlation and generation tasks. Overall, AbBiBench provides a unified, biologically grounded evaluation framework to facilitate the development of more effective, function-aware antibody design models.
• Abstract（参考訳）: 本稿では,抗体結合親和性評価と設計のためのベンチマークフレームワークであるAbBiBench(Antibody Binding Benchmarking)を紹介する。 抗体を分離して評価する以前の戦略とは異なり、アミノ酸回収率や構造RMSDなどの指標と比較することで、AbBiBenchは抗体-抗原複合体(Ab-Ag)を基本単位として扱う。 タンパク質モデルが完全なAb-Ag複合体をどれだけうまくスコアするかを測定することによって、抗体設計の結合電位を評価する。 まず、14の抗体および9の抗原を含むインフルエンザ、リゾザイム、HER2、VEGF、インテグリン、Ang2、SARS-CoV-2にまたがる184,500以上の抗体変異を実験的に測定し、標準化し、共有する。 これらのデータセットを用いて, 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, 拡散型生成モデル, 幾何学グラフモデルを含む15のタンパク質モデルを, モデル確率と実験親和性値の相関関係の比較により体系的に比較した。 さらに、AbBiBenchの産生能を示すために、インフルエンザH1N1への結合を導入するために抗体F045-092に適用する。 本研究は,Ab-Ag複合体の構造的完全性および生体物理特性で評価し,in vitro ELISA法による評価を行った。 その結果,構造条件付き逆折り畳みモデルは親和性相関と生成タスクの両方において他よりも優れていた。 全体として、AbBiBenchは、より効果的な機能認識型抗体設計モデルの開発を促進するために、統一された生物学的基盤評価フレームワークを提供する。

関連論文リスト

• AbRank: A Benchmark Dataset and Metric-Learning Framework for Antibody-Antigen Affinity Ranking [3.6572710422983445]
  AbRankは、アフィニティ予測をペアのランキング問題として再設定する大規模なベンチマークと評価フレームワークである。 グラフベースのアプローチであるWALLE-Affinityを導入し、タンパク質言語モデルの埋め込みを構造情報と統合し、相互結合の嗜好を予測する。
  論文  参考訳（メタデータ） (2025-06-21T23:34:46Z)
• Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture [2.474908349649168]
  先進的な抗体-抗原結合親和性予測モデル(Llamafinity)を提案する。 精度は0.9640、F1スコアは0.9643、精度は0.9702、リコールは0.9586、AUC-ROCは0.9936である。 この戦略では計算効率が向上し、5倍の平均累積トレーニング時間はわずか0.46時間であった。
  論文  参考訳（メタデータ） (2025-05-17T20:10:54Z)
• 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)
• 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)
• 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)
• 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)
• AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation [53.43922443725598]
  本稿では,CDRH3領域のシリコ設計を効率的に行うための組合せ最適化アルゴリズムAntBOを提案する。 AntBOをベンチマークするために、私たちはAbsolut!ソフトウェアスイートをブラックボックスのオラクルとして使用しています。 200以上のタンパク質の設計において、AntBOは690万の実験的に得られたCDRH3から引き出された最も優れた結合配列より優れた抗体配列を提案することができる。
  論文  参考訳（メタデータ） (2022-01-29T12:03:04Z)

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。