論文の概要: A Standardized Benchmark for Multilabel Antimicrobial Peptide Classification

• arxiv url: http://arxiv.org/abs/2511.04814v1
• Date: Thu, 06 Nov 2025 21:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.593735
• Title: A Standardized Benchmark for Multilabel Antimicrobial Peptide Classification
• Title（参考訳）: 多成分系抗菌ペプチドの標準化ベンチマーク
• Authors: Sebastian Ojeda, Rafael Velasquez, Nicolás Aparicio, Juanita Puentes, Paula Cárdenas, Nicolás Andrade, Gabriel González, Sergio Rincón, Carolina Muñoz-Camargo, Pablo Arbeláez,
• Abstract要約: 検証された27のレポジトリから8万個以上のペプチドを統合する実験フレームワークであるESCAPEについて述べる。 本データセットは,抗微生物ペプチドを負の配列から分離し,その機能的アノテーションを生物学的にコヒーレントなマルチラベル階層に組み込む。 ESCAPEに基づいて,配列と構造情報を利用してペプチドの複数の機能活性を予測するトランスフォーマーモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.327827051373412
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antimicrobial peptides have emerged as promising molecules to combat antimicrobial resistance. However, fragmented datasets, inconsistent annotations, and the lack of standardized benchmarks hinder computational approaches and slow down the discovery of new candidates. To address these challenges, we present the Expanded Standardized Collection for Antimicrobial Peptide Evaluation (ESCAPE), an experimental framework integrating over 80.000 peptides from 27 validated repositories. Our dataset separates antimicrobial peptides from negative sequences and incorporates their functional annotations into a biologically coherent multilabel hierarchy, capturing activities across antibacterial, antifungal, antiviral, and antiparasitic classes. Building on ESCAPE, we propose a transformer-based model that leverages sequence and structural information to predict multiple functional activities of peptides. Our method achieves up to a 2.56% relative average improvement in mean Average Precision over the second-best method adapted for this task, establishing a new state-of-the-art multilabel peptide classification. ESCAPE provides a comprehensive and reproducible evaluation framework to advance AI-driven antimicrobial peptide research.
• Abstract（参考訳）: 抗菌ペプチドは、抗菌抵抗性に対抗するための有望な分子として出現している。 しかし、断片化されたデータセット、一貫性のないアノテーション、標準化されたベンチマークの欠如は、計算のアプローチを妨げ、新しい候補の発見を遅らせる。 これらの課題に対処するために、27の検証されたリポジトリから8万個以上のペプチドを統合する実験フレームワークであるESCAPE(Expanded Standardized Peptide Evaluation)を提示する。 本データセットは,抗微生物ペプチドを陰性配列から分離し,その機能的アノテーションを生物学的にコヒーレントなマルチラベル階層に組み込んで抗菌,抗真菌,抗真菌,抗寄生性クラスを横断する活性を捉える。 ESCAPEに基づいて,配列と構造情報を利用してペプチドの複数の機能活性を予測するトランスフォーマーモデルを提案する。 本手法は,本課題に適応した第2ベスト法に対して平均平均精度が2.56%向上し,新しい最先端マルチラベルペプチドの分類が確立された。 ESCAPEはAI駆動型抗微生物ペプチド研究を進めるための包括的で再現可能な評価フレームワークを提供する。

関連論文リスト

• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• Improvement of AMPs Identification with Generative Adversarial Network and Ensemble Classification [0.0]
  本研究は,抗微生物ペプチドの予測分野における提案手法の改善によって改善されている。 本研究は, 抗微生物ペプチドの予測精度と効率において, 提案手法が有意な改善を示したものであることを示す。
  論文  参考訳（メタデータ） (2025-05-16T16:11:42Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• Evaluating Zero-Shot Scoring for In Vitro Antibody Binding Prediction with Experimental Validation [0.08968838300743379]
  オープンソースモデルに基づく8つの共通スコアリングパラダイムを比較して,抗体設計をバインダーやノンバインダーとして分類する。 その結果,既存手法はバインダーの検出に苦慮しており,抗原間では高い変動が認められた。
  論文  参考訳（メタデータ） (2023-12-07T23:34:03Z)
• 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)

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。