Fugu-MT 論文翻訳(概要): BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites

論文の概要: BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites

arxiv url: http://arxiv.org/abs/2508.12029v1
Date: Sat, 16 Aug 2025 12:31:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.520824
Title: BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites
Title（参考訳）: BConformeR:連続性および不連続性抗体結合部位の統一予測のための相互サンプリングに基づくコンバータ
Authors: Zhangyu You, Jiahao Ma, Hongzong Li, Ye-Fan Hu, Jian-Dong Huang,
Abstract要約: 本研究では,1,080の抗原-抗体複合体から得られた抗原配列に基づいて,コンフォメーションに基づくモデルを提案する。 CNNは線形の予測を強化し、Transformerモジュールはコンフォメーションの予測を改善する。実験の結果,PCC,ROC-AUC,PR-AUC,F1のスコアにおいて,既存のベースラインよりも優れていた。
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: Accurate prediction of antibody-binding sites (epitopes) on antigens is crucial for vaccine design, immunodiagnostics, therapeutic antibody development, antibody engineering, research into autoimmune and allergic diseases, and for advancing our understanding of immune responses. Despite in silico methods that have been proposed to predict both linear (continuous) and conformational (discontinuous) epitopes, they consistently underperform in predicting conformational epitopes. In this work, we propose a conformer-based model trained on antigen sequences derived from 1,080 antigen-antibody complexes, leveraging convolutional neural networks (CNNs) to extract local features and Transformers to capture long-range dependencies within antigen sequences. Ablation studies demonstrate that CNN enhances the prediction of linear epitopes, and the Transformer module improves the prediction of conformational epitopes. Experimental results show that our model outperforms existing baselines in terms of PCC, ROC-AUC, PR-AUC, and F1 scores on conformational epitopes.
Abstract（参考訳）: 抗原上での抗体結合部位(エピトープ)の正確な予測は、ワクチン設計、免疫診断、治療抗体開発、抗体工学、自己免疫およびアレルギー疾患の研究、免疫反応の理解の促進に不可欠である。線形(連続)エピトープとコンフォメーション(連続)エピトープの両方を予測するために提案されたシリコ法にも拘わらず、コンフォメーションエピトープの予測は一貫して不十分である。本研究では,1080個の抗原抗体複合体から得られた抗原配列に基づいて,局所的な特徴を抽出するための畳み込みニューラルネットワーク(CNN)と,抗原配列内の長距離依存性をキャプチャするトランスフォーマーを用いたコンバータベースモデルを提案する。アブレーション研究では、CNNは線形エピトープの予測を強化し、Transformerモジュールはコンフォメーションエピトープの予測を改善した。実験の結果,PCC,ROC-AUC,PR-AUC,F1などのコンフォメーションエピトープでは,既存のベースラインよりも優れていた。

関連論文リスト

ImmunoDiff: A Diffusion Model for Immunotherapy Response Prediction in Lung Cancer [10.797150801746957]
非Small cell Lung Cancer (NSCLC) における免疫療法反応の正確な予測は, いまだに重要ではない。既存の放射能と深層学習に基づく予測モデルは、主にカテゴリー的反応の結果を予測するための前処理画像に依存している。本研究では,治療後CTスキャンをベースライン画像から合成し,臨床的に関係のある制約を取り入れた解剖学的拡散モデルであるImmuDiffを紹介する。
論文参考訳（メタデータ） (2025-05-29T17:19:40Z)
dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen [52.809470467635194]
治療抗体の開発は、抗原が抗体とどのように相互作用するかの正確な予測に大きく依存している。抗体設計における既存の計算方法はしばしば、結合過程において抗原が実行されている重要なコンフォメーション変化を見落としている。我々は、αFold2による予測を組み込んだ柔軟なフレームワークであるdyAbを導入し、前結合性抗原構造をモデル化する。
論文参考訳（メタデータ） (2025-03-01T03:53:18Z)
Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
論文参考訳（メタデータ） (2024-12-14T03:00:44Z)
DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction [38.358558338444624]
本稿では,TCR-抗原結合親和性予測のためのドメイン適応型ペプチド非依存的学習フレームワークDapPepを紹介する。 DapPepは既存のツールを一貫して上回り、堅牢な一般化能力を示している。腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床課題に有効である。
論文参考訳（メタデータ） (2024-11-26T18:06:42Z)
BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
論文参考訳（メタデータ） (2023-09-05T09:18:29Z)
AI driven B-cell Immunotherapy Design [0.0]
抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
論文参考訳（メタデータ） (2023-09-03T09:14:10Z)
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)
Incorporating Pre-training Paradigm for Antibody Sequence-Structure Co-design [134.65287929316673]
深層学習に基づく計算抗体の設計は、人間の経験を補完する可能性のあるデータから自動的に抗体パターンをマイニングするので、注目を集めている。計算手法は高品質な抗体構造データに大きく依存しており、非常に限定的である。幸いなことに、CDRをモデル化し、構造データへの依存を軽減するために有効な抗体の配列データが多数存在する。
論文参考訳（メタデータ） (2022-10-26T15:31:36Z)
Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
論文参考訳（メタデータ） (2022-10-05T20:44:55Z)
Neural message passing for joint paratope-epitope prediction [0.0]
抗体は、抗原に結合して抗原を検出し中和する免疫系のタンパク質である。抗体-抗原相互作用における結合部位の予測は、それぞれパラトープおよびパラトープとして知られ、ワクチンおよび合成抗体発生の鍵となる。
論文参考訳（メタデータ） (2021-05-31T16:37:55Z)

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。