論文の概要: CHIMERA-Bench: A Benchmark Dataset for Epitope-Specific Antibody Design

• arxiv url: http://arxiv.org/abs/2603.13431v1
• Date: Fri, 13 Mar 2026 05:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.198533
• Title: CHIMERA-Bench: A Benchmark Dataset for Epitope-Specific Antibody Design
• Title（参考訳）: CHIMERA-Bench: エピトープ特異的抗体設計のためのベンチマークデータセット
• Abstract要約: コンピュータ抗体の設計は急速に手法的に進歩し,過去3年間に多数の深層生成法が提案されてきた。 この分野では、公正な比較とモデル開発のための標準ベンチマークが欠落している。 textscChimera-Benchは、その種の抗体設計問題に対する最大のデータセットである。
• 参考スコア（独自算出の注目度）: 3.9585609151666934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational antibody design has seen rapid methodological progress, with dozens of deep generative methods proposed in the past three years, yet the field lacks a standardized benchmark for fair comparison and model development. These methods are evaluated on different SAbDab snapshots, non-overlapping test sets, and incompatible metrics, and the literature fragments the design problem into numerous sub-tasks with no common definition. We introduce \textsc{Chimera-Bench} (\textbf{C}DR \textbf{M}odeling with \textbf{E}pitope-guided \textbf{R}edesign), a unified benchmark built around a single canonical task: \emph{epitope-conditioned CDR sequence-structure co-design}. \textsc{Chimera-Bench} provides (1) a curated, deduplicated dataset of \textbf{2,922} antibody-antigen complexes with epitope and paratope annotations; (2) three biologically motivated splits testing generalization to unseen epitopes, unseen antigen folds, and prospective temporal targets; and (3) a comprehensive evaluation protocol with five metric groups including novel epitope-specificity measures. We benchmark representative methods spanning different generative paradigms and report results across all splits. \textsc{Chimera-Bench} is the largest dataset of its kind for the antibody design problem, allowing the community to develop and test novel methods and evaluate their generalizability. The source code and data are available at: https://github.com/mansoor181/chimera-bench.git
• Abstract（参考訳）: コンピュータ抗体の設計は、過去3年間に多くの深層生成法が提案されてきたが、公正比較とモデル開発のための標準ベンチマークが欠如している。 これらの手法は、異なるSAbDabスナップショット、重複しないテストセット、互換性のないメトリクスで評価され、文献は共通の定義のない多くのサブタスクに設計問題を断片化する。 我々は、単一の標準タスクを中心に構築された統一ベンチマークである \textsc{Chimera-Bench} (\textbf{C}DR \textbf{M}odeling with \textbf{E}pitope-guided \textbf{R}edesign)を紹介した。 1) エピトープ, パラトープアノテーションを併用した, 培養, 脱重複化データセット, (2) 未確認のエピトープ, 未確認の抗原フォールド, および将来的な時間的目標への一般化を試験する3つの生物学的に動機付けられた3つの分割, (3) 新規エピトープ特異性尺度を含む5つの計量群による総合的評価プロトコルを提供する。 我々は、異なる生成パラダイムにまたがる代表的手法をベンチマークし、すべての分割に対して結果を報告する。 \textsc{Chimera-Bench}は、抗体設計問題におけるその種の最大のデータセットであり、新しい方法を開発し、テストし、それらの一般化性を評価することができる。 ソースコードとデータは、https://github.com/mansoor181/chimera-bench.git.comで入手できる。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Speculative Refinement: A Hybrid Autoregressive Diffusion Decoding Strategy and Its Behavior Across Benchmarks [1.9800951131982487]
  我々はSpecRef(Speculative Refinement)を用いて、ARドラフトからマスク付き拡散言語モデルをウォームスタートする。 We evaluate SpecRef across six benchmarks (HumanEval, MBPP, GSM8K, BBH, ARC-Challenge, HellaSwag) with three distinct evaluation protocol。 これらの観察は、多段階または非自己回帰生成パイプラインに適用され、より診断評価の実践に向けて向けられる。
  論文  参考訳（メタデータ） (2026-06-25T18:52:24Z)
• Picid: A Modular Evaluation Infrastructure for Reproducible PHM Across Tasks and Domains [13.382059615065167]
  我々は、PHM評価パイプラインを明示的で実行可能で再現可能なプロトコルとして形式化するモジュール評価基盤であるpicidを紹介する。 picidは決定論的でリークセーフなデータセットの構築を強制すると同時に、さまざまなPHM設定でフレキシブルに維持する。 電池, ベアリング, ターボファンエンジン, 油圧, 濾過システム, 建物にまたがる12のデータセットの13モデルについて, 実験的検討を行った。
  論文  参考訳（メタデータ） (2026-05-27T11:50:52Z)
• PepSpecBench: A Unified Evaluation Benchmark for Peptide Tandem Mass Spectrometry Prediction [17.33669468355787]
  PepSpecBenchはペプチドMS/MSスペクトル予測のための統一ベンチマークである。 補完的な公開データセット間でのデータ前処理を標準化する。 また、シークエンスリークをなくすための厳格なバックボーン結合分割戦略も実施している。
  論文  参考訳（メタデータ） (2026-05-03T16:11:27Z)
• Antibody Design and Optimization with Multi-scale Equivariant Graph Diffusion Models for Accurate Complex Antigen Binding [13.315597171727095]
  抗体配列と構造共設計のためのエンドツーエンドフレームワークである textbfAbMEGD を提案する。 AbMEGDは原子レベルの幾何学的特徴と残留レベルの埋め込みを組み合わせ、局所的な原子の詳細とグローバルなシーケンス構造相互作用を捉えている。 SAbDabデータベースを用いた実験では、アミノ酸の回収が10.13%増加し、改善率が3.32%上昇し、根の平均平方偏差が0.062AA減少した。
  論文  参考訳（メタデータ） (2025-06-26T02:45:38Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• AsEP: Benchmarking Deep Learning Methods for Antibody-specific Epitope Prediction [12.433560411515575]
  抗体-抗原複合体構造データセット AsEP を導入する。 AsEPはその種類の中で最大であり、クラスタ化されたグループを提供する。 本稿では,タンパク質言語モデルとグラフニューラルネットワークによる構造モデリングの両方を活用する新しい手法WALLEを提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:43:56Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Reprogramming Pretrained Language Models for Antibody Sequence Infilling [72.13295049594585]
  抗体の計算設計には、構造的一貫性を維持しながら、新規で多様な配列を生成することが含まれる。 近年のディープラーニングモデルでは優れた結果が得られたが、既知の抗体配列/構造対の数が限られているため、性能が劣化することが多い。 これは、ソース言語でトレーニング済みのモデルを再利用して、異なる言語で、データが少ないタスクに適応するものです。
  論文  参考訳（メタデータ） (2022-10-05T20:44:55Z)

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。