論文の概要: BOAT: Navigating the Sea of In Silico Predictors for Antibody Design via Multi-Objective Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2604.13980v1
• Date: Wed, 15 Apr 2026 15:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.606032
• Title: BOAT: Navigating the Sea of In Silico Predictors for Antibody Design via Multi-Objective Bayesian Optimization
• Title（参考訳）: BOAT:多目的ベイズ最適化による抗体設計のためのシリコ海を探索する
• Authors: Jackie Rao, Ferran Gonzalez Hernandez, Leon Gerard, Alexandra Gessner,
• Abstract要約: マルチプロパタイト抗体工学のための多目的ベイズ最適化フレームワークBOATを提案する。 筆者らの「プラグ・アンド・プレイ」フレームワークは,不確実性を考慮した代理モデルと遺伝的アルゴリズムを組み合わせ,様々な予測された抗体特性を協調的に最適化する。 代理駆動最適化が高価な生成的アプローチより優れていることを示す。
• 参考スコア（独自算出の注目度）: 38.694019874729115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibody lead optimization is inherently a multi-objective challenge in drug discovery. Achieving a balance between different drug-like properties is crucial for the development of viable candidates, and this search becomes exponentially challenging as desired properties grow. The ever-growing zoo of sophisticated in silico tools for predicting antibody properties calls for an efficient joint optimization procedure to overcome resource-intensive sequential filtering pipelines. We present BOAT, a versatile Bayesian optimization framework for multi-property antibody engineering. Our `plug-and-play' framework couples uncertainty-aware surrogate modeling with a genetic algorithm to jointly optimize various predicted antibody traits while enabling efficient exploration of sequence space. Through systematic benchmarking against genetic algorithms and newer generative learning approaches, we demonstrate competitive performance with state-of-the-art methods for multi-objective protein optimization. We identify clear regimes where surrogate-driven optimization outperforms expensive generative approaches and establish practical limits imposed by sequence dimensionality and oracle costs.
• Abstract（参考訳）: 抗体鉛の最適化は、本質的には薬物発見における多目的課題である。 薬物のような性質のバランスをとることは、実現可能な候補の開発に不可欠であり、この探索は、望ましい性質が成長するにつれて、指数関数的に困難になる。 抗体特性を予測するための高度なシリカツールの動物園は、資源集約的なシーケンシャルフィルタリングパイプラインを克服するための効率的な共同最適化手順を求めている。 マルチプロパタイト抗体工学のための多目的ベイズ最適化フレームワークBOATを提案する。 我々の「プラグ・アンド・プレイ」フレームワークは、不確実性を認識したサロゲートモデリングと遺伝的アルゴリズムを結合し、様々な予測された抗体特性を協調的に最適化し、配列空間の効率的な探索を可能にする。 遺伝的アルゴリズムに対する系統的なベンチマークと、より新しい生成学習アプローチを通じて、多目的タンパク質最適化のための最先端手法との競合性能を実証する。 我々は,サロゲート駆動最適化が高価な生成的アプローチより優れており,シーケンス次元とオラクルコストに課せられる実用的限界を確立するための明確な体制を明らかにした。

関連論文リスト

• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• Surrogate Ensemble in Expensive Multi-Objective Optimization via Deep Q-Learning [17.84264663466905]
  サロゲート支援進化アルゴリズム(SAEA)は、高価な最適化問題を解く上で有望な堅牢性を示している。 SAEAsの有効性に影響を与える重要な側面は、モデル選択の代理である。 一つの最適化プロセス内で異なる代理モデルをスケジューリングできるSEEMOOと呼ばれる強化学習支援アンサンブルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-31T06:14:27Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders [28.550684606186884]
  我々は,識別可能なマルチタスクガウスプロセスヘッドを用いて,デノナイズドオートエンコーダを共同で訓練する手法を開発した。 我々はZINCデータセットに基づく小分子上でLaMBOを評価し,蛍光タンパク質をターゲットとした新しい大規模分子タスクを導入する。
  論文  参考訳（メタデータ） (2022-03-23T21:58:45Z)
• A Robust Multi-Objective Bayesian Optimization Framework Considering Input Uncertainty [0.0]
  エンジニアリング設計のような現実的なアプリケーションでは、設計者は複数の目的と入力の不確実性を考慮に入れたい場合が多い。 入力の不確実性を考慮した多目的最適化を効率的に行うための新しいベイズ最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T17:45:26Z)
• Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
  バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。 オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。 提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
  論文  参考訳（メタデータ） (2021-09-12T23:54:26Z)

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。