論文の概要: Quantifying Cross-Attention Interaction in Transformers for Interpreting TCR-pMHC Binding

• arxiv url: http://arxiv.org/abs/2507.03197v1
• Date: Thu, 03 Jul 2025 22:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.615122
• Title: Quantifying Cross-Attention Interaction in Transformers for Interpreting TCR-pMHC Binding
• Title（参考訳）: TCR-pMHC結合の解釈のための変圧器のクロスアテンション相互作用の定量化
• Authors: Jiarui Li, Zixiang Yin, Haley Smith, Zhengming Ding, Samuel J. Landry, Ramgopal R. Mettu,
• Abstract要約: Quantifying Cross-Attention Interaction (QCAI) は、トランスフォーマーデコーダにおけるクロスアテンションメカニズムを解釈するために設計された新しいポストホック法である。 QCAIは、TCR-XAIベンチマークにおいて、解釈可能性と予測精度の両方で最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 33.31929328499189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: CD8+ "killer" T cells and CD4+ "helper" T cells play a central role in the adaptive immune system by recognizing antigens presented by Major Histocompatibility Complex (pMHC) molecules via T Cell Receptors (TCRs). Modeling binding between T cells and the pMHC complex is fundamental to understanding basic mechanisms of human immune response as well as in developing therapies. While transformer-based models such as TULIP have achieved impressive performance in this domain, their black-box nature precludes interpretability and thus limits a deeper mechanistic understanding of T cell response. Most existing post-hoc explainable AI (XAI) methods are confined to encoder-only, co-attention, or model-specific architectures and cannot handle encoder-decoder transformers used in TCR-pMHC modeling. To address this gap, we propose Quantifying Cross-Attention Interaction (QCAI), a new post-hoc method designed to interpret the cross-attention mechanisms in transformer decoders. Quantitative evaluation is a challenge for XAI methods; we have compiled TCR-XAI, a benchmark consisting of 274 experimentally determined TCR-pMHC structures to serve as ground truth for binding. Using these structures we compute physical distances between relevant amino acid residues in the TCR-pMHC interaction region and evaluate how well our method and others estimate the importance of residues in this region across the dataset. We show that QCAI achieves state-of-the-art performance on both interpretability and prediction accuracy under the TCR-XAI benchmark.
• Abstract（参考訳）: CD8+「キラー」T細胞とCD4+「ヘルパー」T細胞は、T細胞受容体(TCR)を介して主要組織適合性複合体(pMHC)分子によって提示される抗原を認識することにより、免疫系において中心的な役割を果たす。 T細胞とpMHC複合体との結合のモデル化は、ヒト免疫応答の基本的なメカニズムと、治療の進展を理解するのに不可欠である。 TULIPのようなトランスフォーマーベースのモデルは、この領域で顕著な性能を達成したが、ブラックボックスの性質は解釈可能性を妨げるため、T細胞反応のより深い機械的理解を制限する。 既存のポストホックな説明可能なAI(XAI)メソッドは、エンコーダのみ、コアテンション、モデル固有のアーキテクチャに限定されており、TCR-pMHCモデリングで使用されるエンコーダ-デコーダ変換を処理できない。 このギャップに対処するために、トランスフォーマーデコーダにおけるクロスアテンション機構を解釈するための新しいポストホック手法である量子クロスアテンションインタラクション(QCAI)を提案する。 実験的に決定された274個のTCR-pMHC構造からなるベンチマークTCR-XAIを,結合の真理となるためにコンパイルした。 これらの構造を用いて、TCR-pMHC相互作用領域における関連するアミノ酸残基間の物理的距離を計算し、この領域におけるアミノ酸残基の重要性を、我々の方法等がいかに評価するかを評価する。 本稿では,TCR-XAIベンチマークを用いて,解釈可能性と予測精度の両面において,最先端性能を実現することを示す。

関連論文リスト

• HistDiST: Histopathological Diffusion-based Stain Transfer [6.197687155055788]
  HistDiSTは、高忠実度H&E-to-IHC翻訳のための潜在拡散モデル(LDM)ベースのフレームワークである。 HistDiSTは既存の手法よりも優れており、H&E-to-Ki6767の評価においてMRAを28%改善した。
  論文  参考訳（メタデータ） (2025-05-11T00:19:22Z)
• Enhancing TCR-Peptide Interaction Prediction with Pretrained Language Models and Molecular Representations [0.39945675027960637]
  本稿では,大規模タンパク質言語モデルとペプチドの化学表現を組み合わせたディープラーニングフレームワークLANTERNを提案する。 我々のモデルは、特にゼロショットと少数ショットの学習シナリオにおいて、優れたパフォーマンスを示す。 これらの結果は, LANTERNがTCR-pMHC結合予測を前進させ, パーソナライズされた免疫療法の開発を支援する可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-22T20:22:34Z)
• T-cell receptor specificity landscape revealed through de novo peptide design [2.37499051649312]
  主要組織適合性複合体(MHC)に発現するT細胞受容体(TCR)と病原体由来ペプチドの効果的な結合は免疫応答を媒介する。 本稿では,MHCクラスIアレルに提示されるペプチドとのTCR相互作用を予測し,特定のTCR-MHC複合体に新規な免疫原性ペプチドを設計するための計算手法を提案する。 本手法は免疫原性ペプチドとネオ抗原設計のためのプラットフォームを提供し,ウイルスや癌に対するT細胞ワクチン開発のための新しい計算経路を開拓する。
  論文  参考訳（メタデータ） (2025-03-01T22:45:19Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• TCR-GPT: Integrating Autoregressive Model and Reinforcement Learning for T-Cell Receptor Repertoires Generation [6.920411338236452]
  T細胞受容体(TCR)は、感染またはがん細胞によって提示される特定の抗原を認識し、結合することによって免疫系において重要な役割を担っている。 自動回帰変換器のような言語モデルは、TCRレパートリーの確率分布を学習することで強力な解を提供する。 本稿では,デコーダのみのトランスアーキテクチャ上に構築された確率モデルTCR-GPTを紹介する。
  論文  参考訳（メタデータ） (2024-08-02T10:16:28Z)
• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• Attention-aware contrastive learning for predicting T cell receptor-antigen binding specificity [7.365824008999903]
  細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。 そこで本研究では,TCR-抗原結合特異性を推定するためのattentive-mask contrastive learning model,ATMTCRを提案する。
  論文  参考訳（メタデータ） (2022-05-17T10:53:32Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)

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。