論文の概要: Predicting and generating antibiotics against future pathogens with ApexOracle

• arxiv url: http://arxiv.org/abs/2507.07862v1
• Date: Thu, 10 Jul 2025 15:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.470028
• Title: Predicting and generating antibiotics against future pathogens with ApexOracle
• Title（参考訳）: ApexOracleによる将来の病原体に対する抗生物質の予測と産生
• Authors: Tianang Leng, Fangping Wan, Marcelo Der Torossian Torres, Cesar de la Fuente-Nunez,
• Abstract要約: ApexOracleは、既存の化合物の抗菌力を予測するAIモデルである。 活動予測における最先端のアプローチを一貫して上回り、ほとんどあるいは全く抗菌的なデータを持たない新規な病原体への信頼性の高い転送性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antimicrobial resistance (AMR) is escalating and outpacing current antibiotic development. Thus, discovering antibiotics effective against emerging pathogens is becoming increasingly critical. However, existing approaches cannot rapidly identify effective molecules against novel pathogens or emerging drug-resistant strains. Here, we introduce ApexOracle, an artificial intelligence (AI) model that both predicts the antibacterial potency of existing compounds and designs de novo molecules active against strains it has never encountered. Departing from models that rely solely on molecular features, ApexOracle incorporates pathogen-specific context through the integration of molecular features captured via a foundational discrete diffusion language model and a dual-embedding framework that combines genomic- and literature-derived strain representations. Across diverse bacterial species and chemical modalities, ApexOracle consistently outperformed state-of-the-art approaches in activity prediction and demonstrated reliable transferability to novel pathogens with little or no antimicrobial data. Its unified representation-generation architecture further enables the in silico creation of "new-to-nature" molecules with high predicted efficacy against priority threats. By pairing rapid activity prediction with targeted molecular generation, ApexOracle offers a scalable strategy for countering AMR and preparing for future infectious-disease outbreaks.
• Abstract（参考訳）: 抗微生物抵抗性(AMR)は、現在の抗生物質開発をエスカレートし、上回っている。 このようにして、新興病原体に有効な抗生物質の発見がますます重要になっている。 しかし、既存のアプローチでは、新規の病原体や新規な薬剤耐性株に対する効果的な分子を迅速に同定することはできない。 本稿では,既存の化合物の抗菌力を予測する人工知能(AI)モデルであるApexOracleを紹介する。 分子的特徴のみに依存するモデルとは別に、ApexOracleは、基本的な離散拡散言語モデルとゲノムと文学由来の歪表現を組み合わせた二重埋め込みフレームワークを介して取得された分子的特徴の統合を通じて、病原体固有のコンテキストを取り入れている。 ApexOracleは多様な細菌種や化学修飾物質を網羅し、活動予測における最先端のアプローチを一貫して上回り、ほとんどあるいは全く抗菌的なデータを持たない新規病原体への信頼性の高い移行性を示した。 その統一された表現生成アーキテクチャにより、優先的な脅威に対する高い予測効果を持つ「新規から未熟な」分子のシリコ生成が可能になる。 ターゲットとする分子生成と迅速なアクティビティ予測を組み合わせることで、ApexOracleはAMRへの対応と将来の感染症の発生に備えるスケーラブルな戦略を提供する。

関連論文リスト

• AI-guided Antibiotic Discovery Pipeline from Target Selection to Compound Identification [0.0]
  タンパク質構造予測と機械学習の最近の進歩は、薬物発見を加速する有望な機会を提供する。 我々は3次元構造認識生成モデルのエンド・ツー・エンドでガイド付き実現を実現する。 この研究は、初期の抗生物質開発に人工知能をデプロイするための比較ベンチマークと青写真を提供する。
  論文  参考訳（メタデータ） (2025-04-15T11:36:27Z)
• CL-MFAP: A Contrastive Learning-Based Multimodal Foundation Model for Molecular Property Prediction and Antibiotic Screening [9.162517838181683]
  非教師付きコントラスト学習(CL)ベースのマルチモーダル基礎(MF)モデルであるCL-MFAPを導入する。 このモデルは、ChEMBLデータセットから薬物のような性質を持つ1.6万の生物活性分子を用いて、3つのエンコーダを共同で事前訓練する。 CL-MFAPは、異なる分子モードを有効利用することにより、抗生物質特性予測におけるベースラインモデルより優れ、抗生物質関連特性予測タスクの微調整時に、ドメイン特異的性能が優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-16T05:45:19Z)
• 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)
• 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)
• 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。