論文の概要: Disentangling multispecific antibody function with graph neural networks

• arxiv url: http://arxiv.org/abs/2601.23212v1
• Date: Fri, 30 Jan 2026 17:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.588556
• Title: Disentangling multispecific antibody function with graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた多種多様な抗体機能
• Authors: Joshua Southern, Changpeng Lu, Santrupti Nerli, Samuel D. Stanton, Andrew M. Watkins, Franziska Seeger, Frédéric A. Dreyer,
• Abstract要約: 多種特異的抗体は、複数の抗体を同時に作用させることにより、形質転換的治療電位を提供する。 それらの効果は複雑な分子構造によって支配される。 非線形相互作用をキャプチャする合成機能ランドスケープを作成するための生成法を提案する。 このモデルは,合成景観に基づいて訓練され,複雑な機能的特性を再カプセル化し,伝達学習によって高い予測精度を達成できることを実証する。
• 参考スコア（独自算出の注目度）: 1.9732999783524041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multispecific antibodies offer transformative therapeutic potential by engaging multiple epitopes simultaneously, yet their efficacy is an emergent property governed by complex molecular architectures. Rational design is often bottlenecked by the inability to predict how subtle changes in domain topology influence functional outcomes, a challenge exacerbated by the scarcity of comprehensive experimental data. Here, we introduce a computational framework to address part of this gap. First, we present a generative method for creating large-scale, realistic synthetic functional landscapes that capture non-linear interactions where biological activity depends on domain connectivity. Second, we propose a graph neural network architecture that explicitly encodes these topological constraints, distinguishing between format configurations that appear identical to sequence-only models. We demonstrate that this model, trained on synthetic landscapes, recapitulates complex functional properties and, via transfer learning, has the potential to achieve high predictive accuracy on limited biological datasets. We showcase the model's utility by optimizing trade-offs between efficacy and toxicity in trispecific T-cell engagers and retrieving optimal common light chains. This work provides a robust benchmarking environment for disentangling the combinatorial complexity of multispecifics, accelerating the design of next-generation therapeutics.
• Abstract（参考訳）: 多種特異的抗体は、複数のエピトープを同時に作用させることによって形質転換的な治療効果を提供するが、その効果は複雑な分子構造によって支配される創発的な性質である。 合理的デザインは、ドメイントポロジの微妙な変化が機能的な結果にどれほど影響するかを予測することができないことでボトルネックとなることが多い。 本稿では,このギャップの一部に対処する計算フレームワークを提案する。 まず,生物活性がドメイン接続に依存する非線形相互作用を捉えるため,大規模でリアルな合成機能ランドスケープを作成する。 第二に、これらのトポロジ的制約を明示的に符号化し、シーケンスのみのモデルと同一のように見えるフォーマット構成を区別するグラフニューラルネットワークアーキテクチャを提案する。 このモデルは, 合成景観に基づいて訓練され, 複雑な機能的特性を再カプセル化し, 伝達学習により, 限られた生物学的データセット上で高い予測精度を達成できることを実証する。 我々は,三種T細胞エンゲージメントの有効性と毒性のトレードオフを最適化し,最適な共通光鎖を検索することで,モデルの有用性を示す。 この研究は、多種種の組合せ複雑性を解消し、次世代治療の設計を加速するための堅牢なベンチマーク環境を提供する。

関連論文リスト

• BioNIC: Biologically Inspired Neural Network for Image Classification Using Connectomics Principles [2.2344764434954256]
  我々は、MICrONsデータセットからの詳細なシナプス接続グラフにインスパイアされた感情分類のためのフィードフォワードニューラルネットワークであるBioNICを提案する。 構造レベルでは、マウス一次視覚皮質(V1)の1つの皮質列から導かれる構造的制約を組み込む。 機能レベルでは, ホメオスタディレギュレーションを伴うヘビアンシナプス可塑性, 層正規化, 知覚入力における自然変動に対するデータ露出のモデル化, 神経性モデリングのためのシナプスノイズ。
  論文  参考訳（メタデータ） (2026-01-20T08:58:30Z)
• PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis [1.1619559582563954]
  空間多モードオミクス解析(PRAGA)のためのPRototype-Aware Graph Adaptative Aggregationを提案する。 PRAGAは動的グラフを構築し、潜在意味関係を捉え、空間情報と特徴意味論を包括的に統合する。 学習可能なグラフ構造は、クロスモーダルな知識を学習することで摂動を損なうこともできる。
  論文  参考訳（メタデータ） (2024-09-19T12:53:29Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
  現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。 ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。 提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
  論文  参考訳（メタデータ） (2022-11-22T20:44:28Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Supervised Autoencoders Learn Robust Joint Factor Models of Neural Activity [2.8402080392117752]
  神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。 予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。 本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
  論文  参考訳（メタデータ） (2020-04-10T19:31:57Z)

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。