Fugu-MT 論文翻訳(概要): Conformation-Aware Structure Prediction of Antigen-Recognizing Immune Proteins

論文の概要: Conformation-Aware Structure Prediction of Antigen-Recognizing Immune Proteins

arxiv url: http://arxiv.org/abs/2507.09054v1
Date: Fri, 11 Jul 2025 22:09:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:22.17649
Title: Conformation-Aware Structure Prediction of Antigen-Recognizing Immune Proteins
Title（参考訳）: 抗原認識免疫タンパク質の構造予測
Authors: Frédéric A. Dreyer, Jan Ludwiczak, Karolis Martinkus, Brennan Abanades, Robert G. Alberstein, Pan Kessel, Pranav Rao, Jae Hyeon Lee, Richard Bonneau, Andrew M. Watkins, Franziska Seeger,
Abstract要約: パン免疫グロブリン構造予測モデルであるIbexを紹介する。抗体、ナノ抗体、T細胞受容体の可変ドメインをモデル化する際の最先端の精度を達成する。
参考スコア（独自算出の注目度）: 4.747546562792329
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce Ibex, a pan-immunoglobulin structure prediction model that achieves state-of-the-art accuracy in modeling the variable domains of antibodies, nanobodies, and T-cell receptors. Unlike previous approaches, Ibex explicitly distinguishes between bound and unbound protein conformations by training on labeled apo and holo structural pairs, enabling accurate prediction of both states at inference time. Using a comprehensive private dataset of high-resolution antibody structures, we demonstrate superior out-of-distribution performance compared to existing specialized and general protein structure prediction tools. Ibex combines the accuracy of cutting-edge models with significantly reduced computational requirements, providing a robust foundation for accelerating large molecule design and therapeutic development.
Abstract（参考訳）: 免疫グロブリン構造予測モデルであるIbexを導入し,抗体,ナノ抗体,T細胞受容体の変動ドメインをモデル化し,最先端の精度を実現する。以前のアプローチとは異なり、Ibexはラベル付きアポとホロ構造対のトレーニングにより、有界タンパク質と非有界タンパク質のコンホメーションを明確に区別し、推論時に両方の状態の正確な予測を可能にする。高分解能抗体構造の包括的プライベートデータセットを用いて,既存のタンパク質構造予測ツールよりも優れた分布特性を示す。 Ibexは最先端モデルの精度と計算要求を大幅に削減し、大きな分子設計と治療開発を加速するための堅牢な基盤を提供する。

関連論文リスト

DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
論文参考訳（メタデータ） (2025-06-18T23:58:22Z)
KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-06-16T08:02:42Z)
Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering [9.789817970737666]
抗体工学における研究の重要な領域は、抗体-抗原結合親和性を高める効果的な修飾を見つけることである。ディープラーニングソリューションは、結合親和性の変化を予測するために抗体構造をモデル化する代替手段を提供する。本稿では,抗体-抗原複合体の配列情報のみに基づいて結合親和性変化を予測する深層学習モデルProtAttBAを提案する。
論文参考訳（メタデータ） (2025-05-14T15:00:46Z)
Exploring zero-shot structure-based protein fitness prediction [0.5524804393257919]
我々は、事前学習された機械学習モデルを用いて、タンパク質配列の変化による適合性についてゼロショット予測を行う。構造モデルに対するいくつかのモデル選択と、下流の適合度予測に対する影響を評価する。
論文参考訳（メタデータ） (2025-04-23T17:01:09Z)
ABodyBuilder3: Improved and scalable antibody structure predictions [3.013679260442809]
我々はImmuneBuilderに基づいた改良されたスケーラブルな抗体構造予測モデルであるABodyBuilder3を紹介する。我々は,言語モデル埋め込みを利用して,CDRループのモデリングにおいて,新しい最先端の精度を実現する。予測された局所距離差分試験をモデル出力に組み込んで、不確実性をより正確に推定する。
論文参考訳（メタデータ） (2024-05-31T14:45:11Z)
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)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)
Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文参考訳（メタデータ） (2020-08-11T15:01:32Z)

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。