論文の概要: Machine learning approaches for interpretable antibody property prediction using structural data

• arxiv url: http://arxiv.org/abs/2510.23975v1
• Date: Tue, 28 Oct 2025 01:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.702254
• Title: Machine learning approaches for interpretable antibody property prediction using structural data
• Title（参考訳）: 構造データを用いた解釈可能な抗体特性予測のための機械学習手法
• Authors: Kevin Michalewicz, Mauricio Barahona, Barbara Bravi,
• Abstract要約: 抗体配列、構造、機能の関係を理解することは、抗体ベースの治療法や研究ツールの設計に不可欠である。 機械学習モデルは、主に、抗体特性を予測するために、シーケンス情報への大規模言語モデルの適用に基づいて開発されている。 この章では、(グラフ表現を介して)構造データとニューラルネットワークを統合し、抗体の特性を予測する2つのMLフレームワークについて説明する。
• 参考スコア（独自算出の注目度）: 1.406995367117218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the relationship between antibody sequence, structure and function is essential for the design of antibody-based therapeutics and research tools. Recently, machine learning (ML) models mostly based on the application of large language models to sequence information have been developed to predict antibody properties. Yet there are open directions to incorporate structural information, not only to enhance prediction but also to offer insights into the underlying molecular mechanisms. This chapter provides an overview of these approaches and describes two ML frameworks that integrate structural data (via graph representations) with neural networks to predict properties of antibodies: ANTIPASTI predicts binding affinity (a global property) whereas INFUSSE predicts residue flexibility (a local property). We survey the principles underpinning these models; the ways in which they encode structural knowledge; and the strategies that can be used to extract biologically relevant statistical signals that can help discover and disentangle molecular determinants of the properties of interest.
• Abstract（参考訳）: 抗体配列、構造、機能の関係を理解することは、抗体ベースの治療法や研究ツールの設計に不可欠である。 近年,大規模言語モデルに基づく機械学習(ML)モデルが開発され,抗体特性の予測が可能となった。 しかし、予測を強化するだけでなく、基礎となる分子機構に関する洞察を提供するため、構造情報を組み込むためのオープンな方向がある。 この章では、これらのアプローチの概要と、(グラフ表現を介して)構造データとニューラルネットワークを統合して抗体の特性を予測する2つのMLフレームワークについて説明する。 これらのモデルの根底にある原則、構造的知識をエンコードする方法、生物学的に関係のある統計信号を抽出し、興味のある性質の分子決定因子を発見・解離させる戦略について調査する。

関連論文リスト

• Fragment-Wise Interpretability in Graph Neural Networks via Molecule Decomposition and Contribution Analysis [0.9217021281095907]
  SEAL(Substructure Explanation via Attribution Learning)は、モデル予測を意味のある分子サブグラフに属性付ける、新しい解釈可能なグラフニューラルネットワークである。 SEALは入力グラフを化学的に関連する断片に分解し、出力に対する因果的影響を推定する。
  論文  参考訳（メタデータ） (2025-08-20T19:15:53Z)
• Conformation-Aware Structure Prediction of Antigen-Recognizing Immune Proteins [4.747546562792329]
  パン免疫グロブリン構造予測モデルであるIbexを紹介する。 抗体、ナノ抗体、T細胞受容体の可変ドメインをモデル化する際の最先端の精度を達成する。
  論文  参考訳（メタデータ） (2025-07-11T22:09:03Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Linear to Neural Networks Regression: QSPR of Drugs via Degree-Distance Indices [0.0]
  この研究は、予測精度を高めるために、トポロジカル指標と機械学習を統合するという革新的な視点を提供する。 この予測は、トポロジカルな指標と物理的性質の間の信頼性の高い関係を確立することで、化学者が分子の挙動に関する予備的な洞察を得ることができることを説明できるかもしれない。
  論文  参考訳（メタデータ） (2025-03-18T20:03:59Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。