論文の概要: Guided Generation for Developable Antibodies

• arxiv url: http://arxiv.org/abs/2507.02670v1
• Date: Thu, 03 Jul 2025 14:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.474123
• Title: Guided Generation for Developable Antibodies
• Title（参考訳）: 開発可能な抗体のためのガイドジェネレーション
• Authors: Siqi Zhao, Joshua Moller, Porfi Quintero-Cadena, Lood van Niekerk,
• Abstract要約: 治療用抗体は高親和性ターゲットエンゲージメントを必要とするが、臨床的有効性には製造性、安定性、安全性プロファイルが好ましい。 本稿では,自然対重鎖および軽鎖列に基づいて学習した離散拡散モデルを提案する。 生物物理学的に実現可能な候補を生成するために,拡散モジュールにソフトバリューベースのデコーディングを統合する。
• 参考スコア（独自算出の注目度）: 0.44998333629984877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Therapeutic antibodies require not only high-affinity target engagement, but also favorable manufacturability, stability, and safety profiles for clinical effectiveness. These properties are collectively called `developability'. To enable a computational framework for optimizing antibody sequences for favorable developability, we introduce a guided discrete diffusion model trained on natural paired heavy- and light-chain sequences from the Observed Antibody Space (OAS) and quantitative developability measurements for 246 clinical-stage antibodies. To steer generation toward biophysically viable candidates, we integrate a Soft Value-based Decoding in Diffusion (SVDD) Module that biases sampling without compromising naturalness. In unconstrained sampling, our model reproduces global features of both the natural repertoire and approved therapeutics, and under SVDD guidance we achieve significant enrichment in predicted developability scores over unguided baselines. When combined with high-throughput developability assays, this framework enables an iterative, ML-driven pipeline for designing antibodies that satisfy binding and biophysical criteria in tandem.
• Abstract（参考訳）: 治療用抗体は、高親和性目標エンゲージメントだけでなく、製造性、安定性、臨床効果のための安全性プロファイルも必要である。 これらの性質を総称して「開発可能性」と呼ぶ。 そこで本研究では,OAS(observed Antibody Space)から自然対の重鎖と軽鎖の配列を学習し,246種類の臨床段階の抗体の定量的開発可能性の測定を行った。 生物物理学的に実現可能な候補に向けて,本研究では,自然性を損なうことなくサンプリングをバイアスするソフトバリューベースの拡散デコーディング(SVDD)モジュールを統合する。 非拘束サンプリングにおいて,本モデルは自然レパートリーと承認された治療のグローバルな特徴を再現し,SVDD指導の下では,無誘導ベースラインよりも予測される開発可能性スコアが大幅に向上する。 高スループット開発可能性測定と組み合わせることで、タンデムにおける結合と生体物理基準を満たす抗体を設計するための反復的ML駆動パイプラインを可能にする。

関連論文リスト

• Attribution assignment for deep-generative sequence models enables interpretability analysis using positive-only data [3.246305861471588]
  生成機械学習モデルは、望ましい性質に富んだ生物配列の広い空間を効率的に探索することで、治療設計のための強力なフレームワークを提供する。 正のラベル付きデータと負のラベル付きデータの両方を必要とする教師付き学習法とは異なり、LSTMのような生成モデルは、正のラベル付きシーケンスのみに基づいて訓練することができる。 生成モデルへの帰属方法の欠如は、そのようなモデルから解釈可能な生物学的洞察を抽出する能力を妨げている。 本研究では,GAMA(Generative Attribution Metric Analysis)を開発した。
  論文  参考訳（メタデータ） (2025-06-29T10:50:46Z)
• 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)
• S$^2$ALM: Sequence-Structure Pre-trained Large Language Model for Comprehensive Antibody Representation Learning [8.059724314850799]
  抗体は、特定の抗原に正確かつ強力な結合を通じて健康を守り、新型コロナウイルスを含む多くの疾患の治療に有望な治療効果を示す。 バイオメディカル言語モデルの最近の進歩は、複雑な生物学的構造や機能を理解する大きな可能性を示している。 本稿では,1つの総合的抗体基盤モデルにおいて,包括的および構造的情報を組み合わせたシーケンス構造型多段階事前訓練抗体言語モデル(S$2$ALM)を提案する。
  論文  参考訳（メタデータ） (2024-11-20T14:24:26Z)
• BetterBodies: Reinforcement Learning guided Diffusion for Antibody Sequence Design [10.6101758867776]
  抗体は様々な疾患の治療に大きな可能性を秘めている。 従来の湿式検査方法による治療抗体の発見は高価で時間を要する。 抗体の設計における生成モデルの使用は、時間とリソースを削減できるため、大きな約束となる。
  論文  参考訳（メタデータ） (2024-09-09T13:06:01Z)
• 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)
• 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)
• Decoupled Sequence and Structure Generation for Realistic Antibody Design [45.72237864940556]
  主要なパラダイムは、モデルに抗体配列と構造を候補として共同で生成するように訓練することである。 本稿では, 配列生成と構造予測を分離した抗体配列構造デカップリング(ASSD)フレームワークを提案する。 ASSDは様々な抗体設計実験で性能が向上し、合成に基づく目的は非自己回帰モデルのトークン反復を軽減した。
  論文  参考訳（メタデータ） (2024-02-08T13:02:05Z)
• 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)

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。