論文の概要: Generative Co-Design of Antibody Sequences and Structures via Black-Box Guidance in a Shared Latent Space

• arxiv url: http://arxiv.org/abs/2508.11424v1
• Date: Fri, 15 Aug 2025 11:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.941866
• Title: Generative Co-Design of Antibody Sequences and Structures via Black-Box Guidance in a Shared Latent Space
• Title（参考訳）: 共有潜在空間におけるブラックボックス誘導による抗体配列と構造の生成的共設計
• Authors: Yinghua Yao, Yuangang Pan, Xixian Chen,
• Abstract要約: 相補性決定領域(CDR)を最適化し、生データ空間で動作する開発性を改善するための既存のアプローチ。 提案するLatEnt blAck-box Designは,待ち行列空間内のシーケンスと構造の両方を最適化するシーケンス構造共設計フレームワークである。
• 参考スコア（独自算出の注目度）: 3.53699534113928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advancements in deep generative models have enabled the joint modeling of antibody sequence and structure, given the antigen-antibody complex as context. However, existing approaches for optimizing complementarity-determining regions (CDRs) to improve developability properties operate in the raw data space, leading to excessively costly evaluations due to the inefficient search process. To address this, we propose LatEnt blAck-box Design (LEAD), a sequence-structure co-design framework that optimizes both sequence and structure within their shared latent space. Optimizing shared latent codes can not only break through the limitations of existing methods, but also ensure synchronization of different modality designs. Particularly, we design a black-box guidance strategy to accommodate real-world scenarios where many property evaluators are non-differentiable. Experimental results demonstrate that our LEAD achieves superior optimization performance for both single and multi-property objectives. Notably, LEAD reduces query consumption by a half while surpassing baseline methods in property optimization. The code is available at https://github.com/EvaFlower/LatEnt-blAck-box-Design.
• Abstract（参考訳）: 深層生成モデルの進歩は、抗原抗体複合体を文脈として、抗体配列と構造を共同モデリングすることを可能にする。 しかし, 開発性向上のための補完性決定領域 (CDR) を最適化する既存の手法は, 非効率な探索プロセスによる過度なコスト評価に繋がる。 これを解決するために,LatEnt blAck-box Design (LEAD) を提案する。 共有潜在コードの最適化は、既存のメソッドの制限を突破するだけでなく、異なるモダリティ設計の同期を保証する。 特に,多くの不動産評価者が差別化不可能な現実シナリオに対応するため,ブラックボックス誘導戦略を設計する。 実験の結果,LEADは単目的と多目的の両方において優れた最適化性能が得られることが示された。 特に、LEADは、プロパティ最適化のベースラインメソッドを越えながら、クエリ消費を半分に削減します。 コードはhttps://github.com/EvaFlower/LatEnt-blAck-box-Designで公開されている。

関連論文リスト

• Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution [88.20464308588889]
  効率的な画像SRのための構造類似インスパイアド・アンフォールディング(SSIU)法を提案する。 この方法は、構造的類似性に制約されたSR最適化関数の展開によって設計される。 我々のモデルは現在の最先端モデルより優れており、パラメータ数が低く、メモリ消費が減少している。
  論文  参考訳（メタデータ） (2025-06-13T14:29:40Z)
• Multi Activity Sequence Alignment via Implicit Clustering [50.3168866743067]
  暗黙のクラスタリングによるシーケンスアライメントによる制約を克服する新しいフレームワークを提案する。 具体的には、列内のフレームをアライメントしながら、暗黙的なクリップレベルのクラスタリングを行うという考え方です。 実験の結果,提案手法は最先端の結果よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-16T14:28:46Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• 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)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• PropertyDAG: Multi-objective Bayesian optimization of partially ordered, mixed-variable properties for biological sequence design [42.92794039060737]
  本稿では,従来の多目的BO上で動作するフレームワークであるPropertyDAGを紹介する。 ペニシリン生産タスク,おもちゃの数値問題,実世界の抗体設計タスクにおいて,複数のシミュレーションされた能動学習繰り返しの性能を示す。
  論文  参考訳（メタデータ） (2022-10-08T19:42:16Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Combining Latent Space and Structured Kernels for Bayesian Optimization over Combinatorial Spaces [27.989924313988016]
  我々は、高価なブラックボックス関数評価を用いて、空間(シーケンス、ツリー、グラフなど)を最適化する問題を考察する。 空間に対する最近のBOアプローチは、構造体の潜在表現を学習することで連続空間上のBOへの還元である。 本稿では,この欠点を克服するための原則的アプローチであるLADDERを提案する。
  論文  参考訳（メタデータ） (2021-11-01T18:26:22Z)
• Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
  バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。 オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。 提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
  論文  参考訳（メタデータ） (2021-09-12T23:54:26Z)

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。