論文の概要: EpiFormer: Learning Antigen-Antibody Interactions for Epitope Prediction via Geometric Deep Learning

• arxiv url: http://arxiv.org/abs/2606.04154v1
• Date: Tue, 02 Jun 2026 19:20:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.339297
• Title: EpiFormer: Learning Antigen-Antibody Interactions for Epitope Prediction via Geometric Deep Learning
• Title（参考訳）: EpiFormer: 幾何学的深層学習によるエピトープ予測のための抗原・抗体相互作用の学習
• Authors: Mansoor Ahmed, Huirong Chai, Haoxin Wang, Hemanth Venkateswara, Murray Patterson,
• Abstract要約: EpiFormerは、抗体予測のための一般的な変種デコーダフレームワークである。 従来のベストメソッドよりも、標準ベンチマークのF1スコアの40%以上改善されている。 EpiFormerは、既知の生物学的原則をエンドツーエンドトレーニングの創発的な行動として発見する。
• 参考スコア（独自算出の注目度）: 5.747428107106341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibodies neutralize foreign antigens by binding to specific surface regions called epitopes. Computational epitope prediction is critical for understanding immune recognition and guiding antibody engineering. However, existing methods face three fundamental challenges: antibody-aware models encode each chain independently and combine them only at a late stage, failing to capture co-dependent structural features that define binding interfaces, whereas severe class imbalance and scarcity of known antibody-antigen complexes render standard training objectives ineffective. We propose EpiFormer, a general encoder-decoder framework that addresses these challenges jointly. Our key design principle is interleaved cross-attention within GNN encoding layers, enabling bidirectional antigen-antibody information flow throughout representation learning rather than only at the output. This early-fusion principle is backbone-agnostic, providing consistent gains across GNN architectures from simple GCNs to equivariant models. We further show that sparsity-aware objectives are effective when paired with early-fusion architectures for the epitope prediction task. EpiFormer improves over the previous best method by over 40% in F1 score on standard benchmarks, demonstrating generalizability and cross-dataset transferability. Notably, EpiFormer discovers known biological principles as emergent behaviors of end-to-end training, where the learned cross-attention gates favor antigen-to-antibody information flow, consistent with the asymmetric roles of the two chains at the binding interface, and the model's preference for geometric over evolutionary features aligns with the established finding that epitope residues are not evolutionarily conserved. The source code is available at: https://github.com/mansoor181/epiformer.git
• Abstract（参考訳）: 抗体はエピトープと呼ばれる特定の表面領域に結合することで異種抗原を中和する。 計算エピトープ予測は免疫認識の理解と抗体工学の指導に重要である。 しかし、既存の方法は3つの根本的な課題に直面している: 抗体認識モデルはそれぞれの鎖を独立にコードし、後期にのみ結合し、結合インターフェースを定義する共依存的な構造的特徴を捉えることができず、一方、クラス不均衡と既知の抗体-抗原複合体の不足は標準的な訓練目標を効果的にしない。 本稿では,これらの課題に共同で対処する汎用エンコーダデコーダフレームワークであるEpiFormerを提案する。 我々のキーとなる設計原則は、GNNエンコーディング層内のクロスアテンションをインターリーブし、出力だけでなく、表現学習全体を通して双方向の抗原抗体情報の流れを可能にすることである。 この初期融合原理はバックボーン非依存であり、単純なGCNから同変モデルまでGNNアーキテクチャ間で一貫した利得を提供する。 さらに、エピトープ予測タスクにおいて、早期融合アーキテクチャと組み合わせることで、空間認識の目的が効果的であることを示す。 EpiFormerは、標準ベンチマークでF1スコアの40%以上を達成し、一般化可能性とデータセット間の転送性を示している。 エピフォーマーは、既知の生物学的原理をエンド・ツー・エンドトレーニングの創発的行動として発見し、学習されたクロスアテンションゲートは、結合界面における2つの鎖の非対称的な役割と一致する抗原から抗体への情報の流れを好んでおり、モデルが進化的特徴よりも幾何学的特徴を好むことは、エピトープ残基が進化的に保存されていないという確立された発見と一致している。 ソースコードは、https://github.com/mansoor181/epiformer.gitで入手できる。

関連論文リスト

• AgForce Enables Antigen-conditioned Generative Antibody Design [3.2018287682779003]
  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。
  論文  参考訳（メタデータ） (2026-05-20T18:16:52Z)
• 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)
• 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)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
  本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。 そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。 最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-09-05T09:18:29Z)
• 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)

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。