論文の概要: Guided Sequence-Structure Generative Modeling for Iterative Antibody Optimization

• arxiv url: http://arxiv.org/abs/2509.16357v1
• Date: Fri, 19 Sep 2025 19:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.7525
• Title: Guided Sequence-Structure Generative Modeling for Iterative Antibody Optimization
• Title（参考訳）: 反復抗体最適化のためのガイドシーケンス構造生成モデル
• Authors: Aniruddh Raghu, Sebastian Ober, Maxwell Kazman, Hunter Elliott,
• Abstract要約: 治療的抗体候補は、臨床開発前に重要な機能および開発性を改善するために広範囲なエンジニアリングを必要とすることが多い。 これは反復設計によって達成され、開始分子はin vitro実験のいくつかのラウンドで最適化される。 本稿では, 配列と構造を両立させた反復的抗体最適化法と, 結合性および開発性の測定値の蓄積手法を提案する。
• 参考スコア（独自算出の注目度）: 1.979371144736248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Therapeutic antibody candidates often require extensive engineering to improve key functional and developability properties before clinical development. This can be achieved through iterative design, where starting molecules are optimized over several rounds of in vitro experiments. While protein structure can provide a strong inductive bias, it is rarely used in iterative design due to the lack of structural data for continually evolving lead molecules over the course of optimization. In this work, we propose a strategy for iterative antibody optimization that leverages both sequence and structure as well as accumulating lab measurements of binding and developability. Building on prior work, we first train a sequence-structure diffusion generative model that operates on antibody-antigen complexes. We then outline an approach to use this model, together with carefully predicted antibody-antigen complexes, to optimize lead candidates throughout the iterative design process. Further, we describe a guided sampling approach that biases generation toward desirable properties by integrating models trained on experimental data from iterative design. We evaluate our approach in multiple in silico and in vitro experiments, demonstrating that it produces high-affinity binders at multiple stages of an active antibody optimization campaign.
• Abstract（参考訳）: 治療的抗体候補は、しばしば、臨床開発の前に重要な機能的および開発性を改善するために広範な工学的知識を必要とする。 これは反復設計によって達成され、開始分子はin vitro実験のいくつかのラウンドで最適化される。 タンパク質構造は強い誘導バイアスを与えることができるが、最適化の過程で継続的に進化する鉛分子の構造データが欠如しているため、反復設計ではほとんど使われない。 本研究では, 配列と構造を両立させた反復的抗体最適化手法を提案するとともに, 結合性および開発性に関する実験室計測を蓄積する手法を提案する。 先行研究に基づいて,抗体-抗原複合体を用いた配列構造拡散生成モデルを構築した。 次に, このモデルと, 慎重に予測された抗体抗原複合体を用いて, 反復設計プロセスを通じてリード候補を最適化する手法について概説する。 さらに、反復設計による実験データに基づいて訓練されたモデルを統合することにより、生成を望ましい特性にバイアスするガイド付きサンプリング手法について述べる。 活性抗体最適化キャンペーンの複数段階で高親和性バインダーを産生することを示した。

関連論文リスト

• Protein Inverse Folding From Structure Feedback [78.27854221882572]
  本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-06-03T16:02:12Z)
• 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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• 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)

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。