論文の概要: ImmunoAI: Accelerated Antibody Discovery Using Gradient-Boosted Machine Learning with Thermodynamic-Hydrodynamic Descriptors and 3D Geometric Interface Topology

• arxiv url: http://arxiv.org/abs/2508.21082v1
• Date: Mon, 25 Aug 2025 19:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.806306
• Title: ImmunoAI: Accelerated Antibody Discovery Using Gradient-Boosted Machine Learning with Thermodynamic-Hydrodynamic Descriptors and 3D Geometric Interface Topology
• Title（参考訳）: 熱力学記述子と3次元幾何学的界面トポロジーを用いた勾配ブースト機械学習による抗体発見の促進
• Authors: Shawnak Shivakumar, Matthew Sandora,
• Abstract要約: ヒトメタ肺炎ウイルス(hMPV)は小児、高齢者、免疫不全の集団に深刻なリスクをもたらす。 従来の抗体発見パイプラインは10-12ヶ月を必要とし、急激なアウトブレイク反応に適用性を制限する。 本研究は,高親和性候補を予測して抗体発見を促進する機械学習フレームワークであるImmuAIを紹介する。
• 参考スコア（独自算出の注目度）: 0.040782474409194726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human metapneumovirus (hMPV) poses serious risks to pediatric, elderly, and immunocompromised populations. Traditional antibody discovery pipelines require 10-12 months, limiting their applicability for rapid outbreak response. This project introduces ImmunoAI, a machine learning framework that accelerates antibody discovery by predicting high-affinity candidates using gradient-boosted models trained on thermodynamic, hydrodynamic, and 3D topological interface descriptors. A dataset of 213 antibody-antigen complexes was curated to extract geometric and physicochemical features, and a LightGBM regressor was trained to predict binding affinity with high precision. The model reduced the antibody candidate search space by 89%, and fine-tuning on 117 SARS-CoV-2 binding pairs further reduced Root Mean Square Error (RMSE) from 1.70 to 0.92. In the absence of an experimental structure for the hMPV A2.2 variant, AlphaFold2 was used to predict its 3D structure. The fine-tuned model identified two optimal antibodies with predicted picomolar affinities targeting key mutation sites (G42V and E96K), making them excellent candidates for experimental testing. In summary, ImmunoAI shortens design cycles and enables faster, structure-informed responses to viral outbreaks.
• Abstract（参考訳）: ヒトメタ肺炎ウイルス(hMPV)は小児、高齢者、免疫不全の集団に深刻なリスクをもたらす。 従来の抗体発見パイプラインは10-12ヶ月を必要とし、急激なアウトブレイク反応に適用性を制限する。 熱力学, 流体力学, 3次元トポロジカルインタフェース記述子で学習した勾配型モデルを用いて, 高親和性候補を予測し, 抗体発見を加速する機械学習フレームワークであるInomAIを紹介する。 213種の抗体-抗原複合体のデータセットを採取し, 幾何学的および物理化学的特徴を抽出し, 光GBM回帰器を用いて高精度で結合親和性を予測することを訓練した。 このモデルでは、抗体候補探索スペースを89%削減し、117個のSARS-CoV-2結合ペアの微調整により、Root Mean Square Error (RMSE) は 1.70 から 0.92 に減少した。 hMPV A2.2の実験的構造がないため、AlphaFold2は3D構造を予測するために使用された。 遺伝子変異部位(G42VとE96K)を標的としたピクトモラ親和性を予測した2つの最適抗体を同定し,実験試験の優れた候補とした。 要約すると、ImmuAIはデザインサイクルを短縮し、ウイルスの流行に対するより高速で構造的インフォームドレスポンスを可能にします。

関連論文リスト

• BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites [0.0]
  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。
  論文  参考訳（メタデータ） (2025-08-16T12:31:39Z)
• Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture [2.474908349649168]
  先進的な抗体-抗原結合親和性予測モデル(Llamafinity)を提案する。 精度は0.9640、F1スコアは0.9643、精度は0.9702、リコールは0.9586、AUC-ROCは0.9936である。 この戦略では計算効率が向上し、5倍の平均累積トレーニング時間はわずか0.46時間であった。
  論文  参考訳（メタデータ） (2025-05-17T20:10:54Z)
• 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)
• 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)
• PhyloTransformer: A Discriminative Model for Mutation Prediction Based on a Multi-head Self-attention Mechanism [10.468453827172477]
  重症急性呼吸器症候群ウイルス2(SARS-CoV-2)は10/19/21で219万人が感染し、死亡率は3.6%となっている。 そこで我々は,トランスフォーマーを用いた識別モデルであるPhylo Transformerを開発した。
  論文  参考訳（メタデータ） (2021-11-03T01:30:57Z)
• 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。