論文の概要: AgForce Enables Antigen-conditioned Generative Antibody Design

• arxiv url: http://arxiv.org/abs/2605.21610v1
• Date: Wed, 20 May 2026 18:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.95251
• Title: AgForce Enables Antigen-conditioned Generative Antibody Design
• Title（参考訳）: AgForceは、抗原を条件とした生成抗体設計を可能にする
• Authors: Mansoor Ahmed, Murray Patterson,
• Abstract要約: 本稿では,AgForceと呼ばれる新しいエンコーダデコーダアーキテクチャを提案する。 グラフニューラルネットワーク(GNN)をエンコーダとして、シーケンス構造共設計のための特殊なデコーダとして使用する。 CHIMERA-Benchデータセット上で最高のバインディング品質とシーケンス回復を同時に達成する。
• 参考スコア（独自算出の注目度）: 3.2018287682779003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibody design methods condition on antigen structure to generate complementarity-determining regions (CDR), yet a systematic evaluation of baseline methods reveals that they largely ignore the antigen input. We identify three failure modes that explain this behavior. Antigen blindness arises because models derive predictions from antibody framework context rather than antigen information, producing nearly identical CDRs regardless of the target. Vocabulary collapse reduces predicted amino acids to three to five per position, far below the ground truth distribution in native sequences. Moreover, any model trained with standard per-position cross-entropy converges to the positional marginal distribution, making it provably unable to produce antigen-specific sequence predictions. We propose a novel encoder-decoder architecture called AgForce, that uses a graph neural network (GNN) as the encoder and specialized decoders for sequence-structure co-design. Specifically, we apply framework dropout, gated bottlenecks, and hyperbolic cross attention that prevent the antibody shortcut path. In the decoder, a Mixture Density Network (MDN) sequence head with Potts-like pairwise coupling and annealed Multiple Choice Learning (aMCL) replaces the cross-entropy objective with a multi-component distribution whose optimal solution differs from the positional marginal. An antigen cycle consistency head routes gradients through the sequence decoder, forcing predicted distributions to encode antigen identity. AgForce achieves the best binding quality and sequence recovery simultaneously on the CHIMERA-Bench dataset, improving amino acid recovery by 8% over the strongest sequence baseline while surpassing the baselines across all interface metrics, and nearly doubling the effective vocabulary of GNN methods. The source code is available at: https://github.com/mansoor181/ag-force.git
• Abstract（参考訳）: 抗体設計法は抗原構造に条件付けして相補性決定領域(CDR)を生成するが、ベースライン法を体系的に評価することで抗原入力を無視することが明らかとなった。 この動作を説明する3つの障害モードを特定します。 抗原失明は、モデルが抗原情報よりも抗体フレームワークの文脈から予測を導き、標的に関係なくほぼ同一のCDRを生成するため起こる。 語彙的崩壊は、予測されたアミノ酸を1つの位置あたり3から5まで減少させる。 さらに、標準位置のクロスエントロピーで訓練されたモデルは、位置の辺縁分布に収束し、抗原特異的な配列予測を生成できない。 本稿では,グラフニューラルネットワーク(GNN)をエンコーダとして,シーケンス構造共設計のための専用デコーダとして使用する,AgForceと呼ばれる新しいエンコーダデコーダアーキテクチャを提案する。 具体的には,モノクローナルショートカット経路を阻害するフレームワークのドロップアウト,ゲートボトルネック,双曲的クロスアテンションを適用した。 このデコーダにおいて、Pottsのようなペアワイドカップリングとアニールされた多重選択学習(aMCL)を備えた混合密度ネットワーク(MDN)シーケンスヘッドは、最適解が位置境界と異なる多成分分布に置き換える。 抗原周期整合ヘッドは、配列デコーダを介して勾配を経路し、予測分布をエンコードする。 AgForceはCHIMERA-Benchデータセット上で最高の結合品質とシークエンスリカバリを同時に達成し、すべてのインターフェースメトリクスのベースラインを越えながら、最強のシークエンスベースラインよりも8%向上し、GNNメソッドの効果的な語彙をほぼ倍増する。 ソースコードは、https://github.com/mansoor181/ag-force.gitで入手できる。

関連論文リスト

• Fusing Sequence Motifs and Pan-Genomic Features: Antimicrobial Resistance Prediction using an Explainable Lightweight 1D CNN-XGBoost Ensemble [0.0]
  抗微生物抵抗性(AMR)は、急速に拡大する世界的な健康危機である。 標準的な機械学習モデルは、ゲノムを秩序のない機能のコレクションとして扱う。 本稿では,シーケンスベースと特徴ベース学習を組み合わせたアンサンブルフレームワークであるAMR-EnsembleNetを提案する。
  論文  参考訳（メタデータ） (2025-09-28T01:19:11Z)
• AntibodyFlow: Normalizing Flow Model for Designing Antibody Complementarity-Determining Regions [9.427196604657215]
  セラピー抗体(Therapeutic antibody)は、抗原にロック・ツー・キーで結合する特殊な保護タンパク質である。 抗体と特定の抗原との結合強度/親和性は、抗体上の相補性決定領域(CDR)によって決定される。 既存の機械学習手法は、CDRのシークエンスまたは3Dグラフの生成タスクとして、シリコ開発に使用されている。
  論文  参考訳（メタデータ） (2024-06-19T02:31:23Z)
• 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)
• Incorporating Pre-training Paradigm for Antibody Sequence-Structure Co-design [134.65287929316673]
  深層学習に基づく計算抗体の設計は、人間の経験を補完する可能性のあるデータから自動的に抗体パターンをマイニングするので、注目を集めている。 計算手法は高品質な抗体構造データに大きく依存しており、非常に限定的である。 幸いなことに、CDRをモデル化し、構造データへの依存を軽減するために有効な抗体の配列データが多数存在する。
  論文  参考訳（メタデータ） (2022-10-26T15:31:36Z)
• 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)
• Conditional Antibody Design as 3D Equivariant Graph Translation [28.199522831859998]
  我々は,CDRの1次元配列と3次元構造を共設計するためのマルチチャネル等価アテンションネットワーク(MEAN)を提案する。 本手法は, 配列および構造モデリング, 抗原結合型CDR設計, 結合親和性最適化における最先端モデルを大幅に超えている。
  論文  参考訳（メタデータ） (2022-08-12T01:00:59Z)
• Antibody-Antigen Docking and Design via Hierarchical Equivariant Refinement [38.637412590671865]
  パラトピックドッキングと設計のための階層的等変リファインメントネットワーク(HERN)を提案する。 ドッキングの間、HERNは階層的なメッセージパッシングネットワークを使用して原子間力を予測する。 実験の結果,HERNはパラトピードッキングと設計ベンチマークにおいて,最先端のドッキング性能を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-07-14T02:13:25Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。