論文の概要: Is Sequence Information All You Need for Bayesian Optimization of Antibodies?

• arxiv url: http://arxiv.org/abs/2509.24933v1
• Date: Mon, 29 Sep 2025 15:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:20.095475
• Title: Is Sequence Information All You Need for Bayesian Optimization of Antibodies?
• Title（参考訳）: 抗体のベイズ最適化に必要なシーケンス情報は全部必要か?
• Authors: Sebastian W. Ober, Calvin McCarter, Aniruddh Raghu, Yucen Lily Li, Alan N. Amin, Andrew Gordon Wilson, Hunter Elliott,
• Abstract要約: 一定の構造情報により、初期最適化ラウンドにおけるデータ効率は向上するが、等価なピーク性能を有することがわかった。 本稿では,タンパク質言語モデルに基づくソフト制約'を用いて,空間の有望な領域に最適化を誘導する手法を提案する。
• 参考スコア（独自算出の注目度）: 36.9058295408372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian optimization is a natural candidate for the engineering of antibody therapeutic properties, which is often iterative and expensive. However, finding the optimal choice of surrogate model for optimization over the highly structured antibody space is difficult, and may differ depending on the property being optimized. Moreover, to the best of our knowledge, no prior works have attempted to incorporate structural information into antibody Bayesian optimization. In this work, we explore different approaches to incorporating structural information into Bayesian optimization, and compare them to a variety of sequence-only approaches on two different antibody properties, binding affinity and stability. In addition, we propose the use of a protein language model-based ``soft constraint,'' which helps guide the optimization to promising regions of the space. We find that certain types of structural information improve data efficiency in early optimization rounds for stability, but have equivalent peak performance. Moreover, when incorporating the protein language model soft constraint we find that the data efficiency gap is diminished for affinity and eliminated for stability, resulting in sequence-only methods that match the performance of structure-based methods, raising questions about the necessity of structure in Bayesian optimization for antibodies.
• Abstract（参考訳）: ベイズ最適化は、しばしば反復的で高価である抗体治療特性のエンジニアリングの自然な候補である。 しかし,高度に構造化された抗体空間上でのサロゲートモデルの最適選択は困難であり,最適化される性質によって異なる可能性がある。 さらに、我々の知る限りでは、構造情報を抗体ベイズ最適化に組み込もうとする先行研究は行われていない。 本研究では, 構造情報をベイズ最適化に組み込むための様々なアプローチについて検討し, 結合親和性と安定性の2つの異なる抗体特性に対する, 配列のみのアプローチと比較する。 また,タンパク質言語モデルを用いた「ソフト制約」を用いて,空間の有望な領域に最適化を誘導する手法を提案する。 一定の構造情報により、初期最適化ラウンドにおけるデータ効率は向上するが、等価なピーク性能を有することがわかった。 さらに, タンパク質言語モデルソフト制約を組み込んだ場合, データ効率ギャップは親和性のために減少し, 安定性を損なうことが判明した。

関連論文リスト

• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Advancing Bayesian Optimization via Learning Correlated Latent Space [15.783344085533187]
  本稿では,コラーレント空間ベイズ最適化(CoBO)を提案する。 具体的には, リプシッツ正則化, 損失重み付け, 信頼領域再コーディネートを導入し, 期待する領域の内在的なギャップを最小化する。 本稿では,分子設計や算術式整合など,離散データにおけるいくつかの最適化タスクに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2023-10-31T08:24:41Z)
• DEBOSH: Deep Bayesian Shape Optimization [48.80431740983095]
  形状最適化に適した不確実性に基づく新しい手法を提案する。 効果的なBOを可能にし、その結果の形状の質を最先端のアプローチを超えて向上させる。
  論文  参考訳（メタデータ） (2021-09-28T11:01:42Z)
• Additive Tree-Structured Covariance Function for Conditional Parameter Spaces in Bayesian Optimization [34.89735938765757]
  木構造関数への加法的仮定を一般化する。 パラメータ空間の構造情報と加法仮定をBOループに組み込むことで,取得関数を最適化する並列アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-06-21T11:21:55Z)
• Robust Policy Search for Robot Navigation [3.130722489512822]
  複雑なロボットナビゲーションと制御問題は、ポリシー探索問題としてフレーム化することができる。 本研究では、ロバストな最適化と統計的ロバスト性の両方を取り入れ、どちらのタイプのロバスト性も相乗的であることを示す。 本稿では,いくつかのベンチマークとロボットタスクにおいて,モデル誤差を補足してもコンバージェンス保証と性能向上を実現することを目的とした。
  論文  参考訳（メタデータ） (2020-03-02T16:30:59Z)

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。