論文の概要: Artificial Intelligence and Machine Learning in the Development of Vaccines and Immunotherapeutics Yesterday, Today, and Tomorrow
- arxiv url: http://arxiv.org/abs/2506.12185v1
- Date: Fri, 13 Jun 2025 19:20:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:45.389235
- Title: Artificial Intelligence and Machine Learning in the Development of Vaccines and Immunotherapeutics Yesterday, Today, and Tomorrow
- Title（参考訳）: ワクチン・免疫療法開発における人工知能と機械学習
- Authors: Elhoucine Elfatimi, Yassir Lekbach, Swayam Prakash, Lbachir BenMohamed,
- Abstract要約: 過去には、ワクチンと免疫療法の開発は、試行錯誤実験と広範囲な生体内試験に大きく依存していた。
AIとディープラーニングの未来は、動物による前臨床検査、ワクチン、免疫療法をコンピュータベースのモデルに置き換えることに向けられている。
これは、感染性病原体やがんに対する個人ワクチンや免疫療法の開発において、迅速かつ変革的な変化をもたらす可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the past, the development of vaccines and immunotherapeutics relied heavily on trial-and-error experimentation and extensive in vivo testing, often requiring years of pre-clinical and clinical trials. Today, artificial intelligence (AI) and deep learning (DL) are actively transforming vaccine and immunotherapeutic design, by (i) offering predictive frameworks that support rapid, data-driven decision-making; (ii) increasingly being implemented as time- and resource-efficient strategies that integrate computational models, systems vaccinology, and multi-omics data to better phenotype, differentiate, and classify patient diseases and cancers; predict patients' immune responses; and identify the factors contributing to optimal vaccine and immunotherapeutic protective efficacy; (iii) refining the selection of B- and T-cell antigen/epitope targets to enhance efficacy and durability of immune protection; and (iv) enabling a deeper understanding of immune regulation, immune evasion, immune checkpoints, and regulatory pathways. The future of AI and DL points toward (i) replacing animal preclinical testing of drugs, vaccines, and immunotherapeutics with computational-based models, as recently proposed by the United States FDA; and (ii) enabling real-time in vivo modeling for immunobridging and prediction of protection in clinical trials. This may result in a fast and transformative shift for the development of personal vaccines and immunotherapeutics against infectious pathogens and cancers.
- Abstract（参考訳）: 過去には、ワクチンや免疫療法の開発は、トライアル・アンド・エラーの実験とin vivoでの広範囲な試験に大きく依存しており、多くの場合、予防的および臨床的な臨床試験を何年も必要としていた。
今日、人工知能(AI)とディープラーニング(DL)は、ワクチンと免疫療法の設計を積極的に転換している。
一 迅速かつデータ駆動意思決定をサポートする予測フレームワークを提供すること。
二 計算モデル、システムワクチン学及びマルチオミクスデータを統合し、患者疾患及びがんの表現型、分化、分類し、患者の免疫反応を予測し、最適なワクチン及び免疫療法の予防効果に寄与する要因を特定するための時間的及び資源効率の戦略として、ますます実施されていること。
三 免疫防御の有効性及び耐久性を高めるため、B細胞抗原及びT細胞抗原/エピトープターゲットの選択を精製すること。
(iv)免疫調節、免疫回避、免疫チェックポイント、調節経路のより深い理解を可能にすること。
AIとDLの未来
(i)アメリカ食品医薬品局が最近提案したように、動物による薬物、ワクチン、免疫療法の動物前臨床検査を計算モデルで置き換える。
(II) 臨床治験における免疫ブリッジングのリアルタイムin vivoモデリングと保護の予測を可能にすること。
これは、感染性病原体やがんに対する個人ワクチンや免疫療法の開発において、迅速かつ変革的な変化をもたらす可能性がある。
関連論文リスト
- Harnessing Preference Optimisation in Protein LMs for Hit Maturation in Cell Therapy [0.5315454965484603]
細胞と免疫療法は、免疫系を調節することにより、がんや自己免疫疾患などの疾患を治療するための形質転換能を提供する。
これらの治療法の開発は資源集約的であり、薬物候補の大多数は実験室での試験以上の進歩に失敗している。
近年の機械学習の進歩は、タンパク質工学などの領域に革命をもたらし、大規模で標準化されたデータセットの不足や細胞系の複雑さにより、免疫療法の応用は制限され続けている。
論文 参考訳（メタデータ） (2024-12-02T11:21:58Z) - Immunogenicity Prediction with Dual Attention Enables Vaccine Target Selection [6.949493332885247]
我々はワクチンの免疫原性を予測するための新しい深層学習ソリューションであるVenusVaccineを紹介した。
また、これまでに7000以上の抗原配列、構造、細菌、ウイルス、腫瘍からの免疫原性ラベルを含む、最も包括的な免疫原性データセットをコンパイルした。
私たちの研究はワクチン設計に有効なツールを提供し、将来の研究に有用なベンチマークを設定します。
論文 参考訳（メタデータ） (2024-10-03T16:33:35Z) - ADIOS: Antibody Development via Opponent Shaping [49.26728828005039]
抗ウイルス療法は通常、ウイルスの現在の株のみを標的とするように設計されている。
しかし、治療によって誘導される選択的圧力は、新しいウイルス株の出現を引き起こす。
私たちの治療法はウイルスの進化を防御し、積極的に影響を及ぼすことができます。
論文 参考訳（メタデータ） (2024-09-16T14:56:27Z) - AI driven B-cell Immunotherapy Design [0.0]
抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。
近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。
本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
論文 参考訳（メタデータ） (2023-09-03T09:14:10Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-12-16T13:57:41Z) - Constrained Submodular Optimization for Vaccine Design [1.7622426179653559]
遺伝的変異により、接種された集団に広範な免疫を与えるペプチドワクチンを設計することが困難になる。
本稿では,確率論的機械学習モデルを用いたペプチドワクチンの評価と設計のためのフレームワークを提案する。
従来より優れたSARS-CoV-2ワクチンの設計を行う能力を示した。
論文 参考訳（メタデータ） (2022-06-16T17:40:54Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。