Fugu-MT 論文翻訳(概要): Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture

論文の概要: Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture

arxiv url: http://arxiv.org/abs/2506.09052v1
Date: Sat, 17 May 2025 20:10:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-16 03:13:19.083384
Title: Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture
Title（参考訳）: Llama-Affinity: Llama3のバックボーンアーキテクチャで抗体配列を統合する予測的抗体結合モデル
Authors: Delower Hossain, Ehsan Saghapour, Kevin Song, Jake Y. Chen,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.474908349649168
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Antibody-facilitated immune responses are central to the body's defense against pathogens, viruses, and other foreign invaders. The ability of antibodies to specifically bind and neutralize antigens is vital for maintaining immunity. Over the past few decades, bioengineering advancements have significantly accelerated therapeutic antibody development. These antibody-derived drugs have shown remarkable efficacy, particularly in treating cancer, SARS-CoV-2, autoimmune disorders, and infectious diseases. Traditionally, experimental methods for affinity measurement have been time-consuming and expensive. With the advent of artificial intelligence, in silico medicine has been revolutionized; recent developments in machine learning, particularly the use of large language models (LLMs) for representing antibodies, have opened up new avenues for AI-based design and improved affinity prediction. Herein, we present an advanced antibody-antigen binding affinity prediction model (LlamaAffinity), leveraging an open-source Llama 3 backbone and antibody sequence data sourced from the Observed Antibody Space (OAS) database. The proposed approach shows significant improvement over existing state-of-the-art (SOTA) methods (AntiFormer, AntiBERTa, AntiBERTy) across multiple evaluation metrics. Specifically, the model achieved an accuracy of 0.9640, an F1-score of 0.9643, a precision of 0.9702, a recall of 0.9586, and an AUC-ROC of 0.9936. Moreover, this strategy unveiled higher computational efficiency, with a five-fold average cumulative training time of only 0.46 hours, significantly lower than in previous studies.
Abstract（参考訳）: 抗体による免疫反応は、病原体、ウイルス、その他の外国の侵略者に対する身体の防御の中心である。抗原を特異的に結合し中和する抗体の能力は免疫維持に不可欠である。過去数十年間、バイオエンジニアリングの進歩は治療用抗体の開発を著しく加速してきた。これらの抗体由来の薬物は、特に癌、SARS-CoV-2、自己免疫疾患、感染症の治療において顕著な効果を示した。伝統的に、親和性測定の実験手法は時間がかかり高価であった。人工知能の出現に伴い、シリコ医学が革新され、近年の機械学習の発展、特に抗体を表現するための大規模言語モデル(LLM)の使用は、AIベースのデザインのための新たな道を開き、親和性予測を改善した。本稿では、オープンソースのLlama 3バックボーンと、観察された抗体空間(OAS)データベースから得られた抗体配列データを活用する、高度な抗体-抗原結合親和性予測モデル(LlamaAffinity)を提案する。提案手法は,既存のSOTA法(AntiFormer,AntiBERTa,AntiBERTy)よりも,複数の評価指標で大幅に改善されている。具体的には、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。さらに、この戦略により計算効率が向上し、5倍の平均累積トレーニング時間はわずか0.46時間となり、従来の研究よりも大幅に低下した。

関連論文リスト

Benchmark for Antibody Binding Affinity Maturation and Design [11.905797701155263]
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。まず、9つの抗原を含む9つのデータセットをキュレートし、標準化し、共有する。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、拡散ベース生成モデル、幾何学グラフモデルを含む14のタンパク質モデルを比較した。
論文参考訳（メタデータ） (2025-05-23T21:09:04Z)
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)
Large scale paired antibody language models [40.401345152825314]
IgBert と IgT5 は,これまでに開発された抗体特異的言語モデルの中で最も優れた性能を示した。これらのモデルは、20億以上のObserved Spaceデータセットを使用して、包括的にトレーニングされている。この進歩は、治療開発のための抗体設計を強化するために、機械学習、大規模データセット、高性能コンピューティングを活用する上で大きな前進となる。
論文参考訳（メタデータ） (2024-03-26T17:21:54Z)
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)
Antibody Representation Learning for Drug Discovery [7.291511531280898]
新規なSARS-CoV-2抗体結合データセットと追加ベンチマークデータセットについて報告する。従来の統計的シーケンスモデル,各データセットの教師付き学習,および抗体特異的事前訓練言語モデルの微調整の3つのクラスを比較した。実験結果から,特徴表現の自己教師付き事前学習は,従来の手法よりも大幅に改善されていることが示唆された。
論文参考訳（メタデータ） (2022-10-05T13:48:41Z)
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。