論文の概要: Learning from B Cell Evolution: Adaptive Multi-Expert Diffusion for Antibody Design via Online Optimization

• arxiv url: http://arxiv.org/abs/2508.02834v1
• Date: Fri, 25 Jul 2025 03:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.320002
• Title: Learning from B Cell Evolution: Adaptive Multi-Expert Diffusion for Antibody Design via Online Optimization
• Title（参考訳）: B細胞進化から学ぶ:オンライン最適化による抗体設計のための適応的多段階拡散
• Authors: Hanqi Feng, Peng Qiu, Mengchun Zhang, Yiran Tao, You Fan, Jingtao Xu, Barnabas Poczos,
• Abstract要約: 本稿では,オンラインメタ学習システムにおける物理に基づくドメイン知識を活用する,生物を動機とする最初のフレームワークを提案する。 提案手法では, 分子認識, エネルギーバランス, 界面形状など, 繰り返しフィードバックに基づいてパラメータが進化する複数の専門的専門家を用いている。
• 参考スコア（独自算出の注目度）: 4.4987897173449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in diffusion models have shown remarkable potential for antibody design, yet existing approaches apply uniform generation strategies that cannot adapt to each antigen's unique requirements. Inspired by B cell affinity maturation, where antibodies evolve through multi-objective optimization balancing affinity, stability, and self-avoidance, we propose the first biologically-motivated framework that leverages physics-based domain knowledge within an online meta-learning system. Our method employs multiple specialized experts (van der Waals, molecular recognition, energy balance, and interface geometry) whose parameters evolve during generation based on iterative feedback, mimicking natural antibody refinement cycles. Instead of fixed protocols, this adaptive guidance discovers personalized optimization strategies for each target. Our experiments demonstrate that this approach: (1) discovers optimal SE(3)-equivariant guidance strategies for different antigen classes without pre-training, preserving molecular symmetries throughout optimization; (2) significantly enhances hotspot coverage and interface quality through target-specific adaptation, achieving balanced multi-objective optimization characteristic of therapeutic antibodies; (3) establishes a paradigm for iterative refinement where each antibody-antigen system learns its unique optimization profile through online evaluation; (4) generalizes effectively across diverse design challenges, from small epitopes to large protein interfaces, enabling precision-focused campaigns for individual targets.
• Abstract（参考訳）: 近年の拡散モデルの進歩は抗体設計に顕著な可能性を示しているが、既存のアプローチでは各抗原の特異な要求に適応できない均一な生成戦略が適用されている。 B細胞親和性成熟(B細胞親和性成熟)に触発され、親和性、安定性、自己回避性のバランスをとる多目的最適化によって抗体が進化する。 本手法では, 分子認識, エネルギーバランス, 界面形状など, 自然抗体精製サイクルを模倣した反復フィードバックに基づいて, パラメータが進化する, 複数の専門的専門家(ファンデルワールス, 分子認識, エネルギーバランス, 界面形状)を用いる。 固定プロトコルの代わりに、この適応ガイダンスは各ターゲットに対するパーソナライズされた最適化戦略を発見する。 本研究は,(1) 異なる抗原クラスに対するSE(3)-equivariant(SE(3)-equivariant)誘導戦略の探索,(2) 標的特異的適応によるホットスポットのカバーとインターフェース品質の大幅な向上,(3) それぞれの抗体-抗原系がオンライン評価を通じて独自の最適化プロファイルを学習する反復的改善のためのパラダイムの確立,(4) 小型エピトープから大型タンパク質インターフェースに至るまで,多様な設計課題を効果的に一般化し,個々の標的に対する精度重視のキャンペーンを可能にすること,の3つを実証した。

関連論文リスト

• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• AlignAb: Pareto-Optimal Energy Alignment for Designing Nature-Like Antibodies [4.679586996508103]
  抗体配列構造共設計に特化したディープラーニングモデルを学習するための3段階のフレームワークを提案する。 得られた表現を用いて,抗体の配列と構造の両方に対する共同最適化のための拡散モデルの訓練を指導する。
  論文  参考訳（メタデータ） (2024-12-30T14:50:32Z)
• Retrieval Augmented Diffusion Model for Structure-informed Antibody Design and Optimization [8.546688995090491]
  抗体は生物の免疫応答に必須のタンパク質である。 生成モデルにおける最近の進歩は、合理的抗体設計を著しく強化した。 本稿では,効率的な抗体設計のための検索拡張拡散フレームワーク RADAb を提案する。
  論文  参考訳（メタデータ） (2024-10-19T08:53:01Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• 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)
• ODBO: Bayesian Optimization with Search Space Prescreening for Directed Protein Evolution [18.726398852721204]
  タンパク質指向進化のための効率的で実験的な設計指向のクローズドループ最適化フレームワークを提案する。 ODBOは、新しい低次元タンパク質エンコーディング戦略と、外乱検出による検索空間事前スクリーニングによって強化されたベイズ最適化を組み合わせている。 本研究は, タンパク質指向進化実験を4回実施し, 興味のある変異を見出すためのフレームワークの能力を実証した。
  論文  参考訳（メタデータ） (2022-05-19T13:21:31Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。