論文の概要: Antibody Design and Optimization with Multi-scale Equivariant Graph Diffusion Models for Accurate Complex Antigen Binding

• arxiv url: http://arxiv.org/abs/2506.20957v1
• Date: Thu, 26 Jun 2025 02:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.948438
• Title: Antibody Design and Optimization with Multi-scale Equivariant Graph Diffusion Models for Accurate Complex Antigen Binding
• Title（参考訳）: 高精度複雑抗原結合のためのマルチスケール同変グラフ拡散モデルを用いた抗体設計と最適化
• Authors: Jiameng Chen, Xiantao Cai, Jia Wu, Wenbin Hu,
• Abstract要約: 抗体配列と構造共設計のためのエンドツーエンドフレームワークである textbfAbMEGD を提案する。 AbMEGDは原子レベルの幾何学的特徴と残留レベルの埋め込みを組み合わせ、局所的な原子の詳細とグローバルなシーケンス構造相互作用を捉えている。 SAbDabデータベースを用いた実験では、アミノ酸の回収が10.13%増加し、改善率が3.32%上昇し、根の平均平方偏差が0.062AA減少した。
• 参考スコア（独自算出の注目度）: 13.315597171727095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antibody design remains a critical challenge in therapeutic and diagnostic development, particularly for complex antigens with diverse binding interfaces. Current computational methods face two main limitations: (1) capturing geometric features while preserving symmetries, and (2) generalizing novel antigen interfaces. Despite recent advancements, these methods often fail to accurately capture molecular interactions and maintain structural integrity. To address these challenges, we propose \textbf{AbMEGD}, an end-to-end framework integrating \textbf{M}ulti-scale \textbf{E}quivariant \textbf{G}raph \textbf{D}iffusion for antibody sequence and structure co-design. Leveraging advanced geometric deep learning, AbMEGD combines atomic-level geometric features with residue-level embeddings, capturing local atomic details and global sequence-structure interactions. Its E(3)-equivariant diffusion method ensures geometric precision, computational efficiency, and robust generalizability for complex antigens. Furthermore, experiments using the SAbDab database demonstrate a 10.13\% increase in amino acid recovery, 3.32\% rise in improvement percentage, and a 0.062~\AA\ reduction in root mean square deviation within the critical CDR-H3 region compared to DiffAb, a leading antibody design model. These results highlight AbMEGD's ability to balance structural integrity with improved functionality, establishing a new benchmark for sequence-structure co-design and affinity optimization. The code is available at: https://github.com/Patrick221215/AbMEGD.
• Abstract（参考訳）: 抗体設計は治療と診断において重要な課題であり、特に多様な結合界面を持つ複雑な抗原に対して重要である。 現在の計算手法では,(1)対称性を保ちながら幾何学的特徴を捉えること,(2)新しい抗原インターフェースを一般化すること,の2つの制限に直面している。 近年の進歩にもかかわらず、これらの手法は分子間相互作用を正確に捉え、構造的整合性を維持するのに失敗することが多い。 これらの課題に対処するために、抗体配列と構造共設計のために、 \textbf{M}ulti-scale \textbf{E}quivariant \textbf{G}raph \textbf{D}iffusionを統合したエンドツーエンドフレームワークである \textbf{AbMEGD} を提案する。 高度な幾何学的深層学習を活用して、AbMEGDは原子レベルの幾何学的特徴と残留レベルの埋め込みを組み合わせ、局所的な原子の詳細とグローバルなシーケンス構造相互作用をキャプチャする。 E(3)-同変拡散法は、複雑な抗原に対する幾何学的精度、計算効率、堅牢な一般化性を保証する。 さらに、SAbDabデータベースを用いた実験では、アミノ酸回収率10.13\%、改善率3.32\%、臨界CDR-H3領域における根平均平方偏差0.062~\AA\の減少が、主要な抗体設計モデルであるDiffAbと比較して示されている。 これらの結果は、AbMEGDが構造整合性と機能改善のバランスをとる能力を強調し、シーケンス構造共設計と親和性最適化のための新しいベンチマークを確立した。 コードは以下の通り。 https://github.com/Patrick221215/AbMEGD。

関連論文リスト

• Towards More Accurate Full-Atom Antibody Co-Design [44.06939390661133]
  共設計は薬物開発における重要なフロンティアであり、相補性決定領域の構造の正確な予測は、特定の同変を標的にするために不可欠である。 抗体設計のためのグラフニューラルネットワークの最近の進歩にもかかわらず、現在のアプローチは、抗体抗原認識と結合特異性を管理する複雑な相互作用を捉えるのに不足することが多い。 Igformerは、抗体-抗原結合インターフェースによってこれらの制限に対処する新しいエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2025-02-11T13:33:28Z)
• 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)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• End-to-End Full-Atom Antibody Design [28.199522831859998]
  現在の学習ベースの手法には2つの大きな欠陥があり、それらが最適でないかリソース集約的である。 E(3) 抗体設計のためのエンド・ツー・エンドフル原子モデルである動的マルチチャネル等価型graAph Network (dyMEAN) を提案する。 1D配列と3D構造は、完全な原子を考える際に、可変サイズのタンパク質残基を処理できる適応型マルチチャネルエンコーダによって更新される。 CDR-H3設計、複雑な構造予測、親和性最適化の実験は、我々のエンドツーエンドフレームワークとフル原子モデリングの優位性を実証している。
  論文  参考訳（メタデータ） (2023-02-01T03:13:19Z)
• 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)
• Conditional Antibody Design as 3D Equivariant Graph Translation [28.199522831859998]
  我々は,CDRの1次元配列と3次元構造を共設計するためのマルチチャネル等価アテンションネットワーク(MEAN)を提案する。 本手法は, 配列および構造モデリング, 抗原結合型CDR設計, 結合親和性最適化における最先端モデルを大幅に超えている。
  論文  参考訳（メタデータ） (2022-08-12T01:00:59Z)

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。