論文の概要: ABConformer: Physics-inspired Sliding Attention for Antibody-Antigen Interface Prediction

• arxiv url: http://arxiv.org/abs/2509.23254v1
• Date: Sat, 27 Sep 2025 11:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.127233
• Title: ABConformer: Physics-inspired Sliding Attention for Antibody-Antigen Interface Prediction
• Title（参考訳）: ABConformer: 抗体・抗原界面予測のための物理学にヒントを得たスライディング注意
• Authors: Zhang-Yu You, Jiahao Ma, Hongzong Li, Ye-Fan Hu, Jian-Dong Huang,
• Abstract要約: ABCONFORMERは,バイオシーケンスの局所的特徴とグローバル的特徴の両方をキャプチャする,Conformerのバックボーンに基づくモデルである。 ABCONFORMERは、抗体と配列が与えられたパラトープと抗原を正確に予測し、抗体情報なしで抗原上のパンエピトープを予測する。
• 参考スコア（独自算出の注目度）: 3.947298454012977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of antibody-antigen (Ab-Ag) interfaces is critical for vaccine design, immunodiagnostics, and therapeutic antibody development. However, achieving reliable predictions from sequences alone remains a challenge. In this paper, we present ABCONFORMER, a model based on the Conformer backbone that captures both local and global features of a biosequence. To accurately capture Ab-Ag interactions, we introduced the physics-inspired sliding attention, enabling residue-level contact recovery without relying on three-dimensional structural data. ABConformer can accurately predict paratopes and epitopes given the antibody and antigen sequence, and predict pan-epitopes on the antigen without antibody information. In comparison experiments, ABCONFORMER achieves state-of-the-art performance on a recent SARS-CoV-2 Ab-Ag dataset, and surpasses widely used sequence-based methods for antibody-agnostic epitope prediction. Ablation studies further quantify the contribution of each component, demonstrating that, compared to conventional cross-attention, sliding attention significantly enhances the precision of epitope prediction. To facilitate reproducibility, we will release the code under an open-source license upon acceptance.
• Abstract（参考訳）: 抗体抗原(Ab-Ag)インターフェースの正確な予測は、ワクチン設計、免疫診断、治療用抗体開発に重要である。 しかし、シーケンスのみから信頼できる予測を達成することは、依然として課題である。 本稿では,バイオシーケンスの局所的特徴とグローバル的特徴の両方をキャプチャする,Conformerのバックボーンに基づくモデルABCONFORMERを提案する。 我々は,Ab-Ag相互作用を正確に捉えるために,物理に着想を得たスライディングアテンションを導入し,三次元構造データに頼らずに残差レベルの接触回復を可能にした。 ABConformerは、抗体および抗原配列が与えられたパラトープとエピトープを正確に予測し、抗体情報なしで抗原上のパンエピトープを予測することができる。 比較実験では、ABCONFORMERはSARS-CoV-2 Ab-Agデータセット上で最先端のパフォーマンスを達成し、抗体非依存エピトープ予測において広く使われているシーケンスベースの手法を超越している。 アブレーション研究により各成分の寄与の定量化が図られ、従来のクロスアテンションに比べてスライディングアテンションはエピトープ予測の精度を著しく向上させることが示された。 再現性を促進するため、受け入れ次第、オープンソースライセンスでコードを公開します。

関連論文リスト

• BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites [3.947298454012977]
  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,線形およびコンフォーメーションの両方において,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)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• 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)
• 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)

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。