論文の概要: AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning

• arxiv url: http://arxiv.org/abs/2604.11272v1
• Date: Mon, 13 Apr 2026 10:28:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.472357
• Title: AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning
• Title（参考訳）: AbLWR:Positive-Unlabeled Learningによる抗体・抗原結合親和性予測のための文脈対応リスニングフレームワーク
• Authors: Fan Xu, Zhi-an Huang, Haohuai He, Yidong Song, Wei Liu, Dongxu Zhang, Yao Hu, Kay Chen Tan,
• Abstract要約: AbLWR(Antibody-antigen binding affinity List-Wise Ranking)は、従来の親和性回帰タスクをリストワイズランキング問題として再構成する新しいフレームワークである。 ラベルの空間性を軽減するため、AbLWRは、二重レベルのコントラスト目的とメタ最適化洗練を活用して、堅牢な表現を学習するPU学習機構を組み込んだ。
• 参考スコア（独自算出の注目度）: 31.99809102852669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of antibody-antigen binding affinity is fundamental to therapeutic design, yet remains constrained by severe label sparsity and the complexity of antigenic variations. In this paper, we propose AbLWR (Antibody-antigen binding affinity List-Wise Ranking), a novel framework that reformulates the conventional affinity regression task as a listwise ranking problem. To mitigate label sparsity, AbLWR incorporates a PU (Positive-Unlabeled) learning mechanism leveraging a dual-level contrastive objective and meta-optimized label refinement to learn robust representations. Furthermore, we address antigenic variation by employing a homologous antigen sampling strategy where Multi-Head Self-Attention (MHSA) explicitly models inter-sample relationships within training lists to capture subtle affinity nuances. Extensive experiments demonstrate that AbLWR significantly outperforms state-of-the-art baselines, improving the Precision@1 (P@1) by over 10$\%$ in randomized cross-validation experiments. Notably, case studies on Influenza and IL-33 validate its practical utility, demonstrating robust ranking consistency in distinguishing subtle viral mutations and efficiently prioritizing top-tier candidates for wet-lab screening.
• Abstract（参考訳）: 抗体-抗原結合性アフィニティの正確な予測は、治療設計の基礎であるが、重度のラベル間隔と抗原変異の複雑さによって制約されている。 本稿では,従来の親和性回帰タスクをリストワイズランキング問題として再構成した新しいフレームワークであるAbLWR(Antibody-antigen binding affinity List-Wise Ranking)を提案する。 ラベルの空間性を軽減するため、AbLWRは、二重レベルのコントラスト目的とメタ最適化ラベル洗練を活用して、堅牢な表現を学習するPU(Positive-Unlabeled)学習機構を組み込んだ。 さらに,MHSA(Multi-Head Self-Attention)がトレーニングリスト内のサンプル間関係を明示的にモデル化し,微妙な親和性ニュアンスを捕捉する,同種抗原サンプリング戦略を用いて抗原変異に対処する。 大規模な実験により、AbLWRは最先端のベースラインを大幅に上回り、ランダム化されたクロスバリデーション実験で10$\%以上精度@1(P@1)を改善した。 特に、Influenza と IL-33 のケーススタディでは、微妙なウイルス変異を区別し、ウェットラブスクリーニングの上位候補を効率よく優先順位付けする、堅牢なランキング整合性を示す。

関連論文リスト

• ABConformer: Physics-inspired Sliding Attention for Antibody-Antigen Interface Prediction [3.947298454012977]
  ABCONFORMERは,バイオシーケンスの局所的特徴とグローバル的特徴の両方をキャプチャする,Conformerのバックボーンに基づくモデルである。 ABCONFORMERは、抗体と配列が与えられたパラトープと抗原を正確に予測し、抗体情報なしで抗原上のパンエピトープを予測する。
  論文  参考訳（メタデータ） (2025-09-27T11:12:04Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• AbRank: A Benchmark Dataset and Metric-Learning Framework for Antibody-Antigen Affinity Ranking [3.6572710422983445]
  AbRankは、アフィニティ予測をペアのランキング問題として再設定する大規模なベンチマークと評価フレームワークである。 グラフベースのアプローチであるWALLE-Affinityを導入し、タンパク質言語モデルの埋め込みを構造情報と統合し、相互結合の嗜好を予測する。
  論文  参考訳（メタデータ） (2025-06-21T23:34:46Z)
• Sequence-Only Prediction of Binding Affinity Changes: A Robust and Interpretable Model for Antibody Engineering [9.789817970737666]
  抗体工学における研究の重要な領域は、抗体-抗原結合親和性を高める効果的な修飾を見つけることである。 ディープラーニングソリューションは、結合親和性の変化を予測するために抗体構造をモデル化する代替手段を提供する。 本稿では,抗体-抗原複合体の配列情報のみに基づいて結合親和性変化を予測する深層学習モデルProtAttBAを提案する。
  論文  参考訳（メタデータ） (2025-05-14T15:00:46Z)
• 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)
• 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)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。