Fugu-MT 論文翻訳(概要): Structure-Regularized Interpretable TCR-Epitope Prediction

論文の概要: Structure-Regularized Interpretable TCR-Epitope Prediction

arxiv url: http://arxiv.org/abs/2606.30902v1
Date: Mon, 29 Jun 2026 20:48:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.000383
Title: Structure-Regularized Interpretable TCR-Epitope Prediction
Title（参考訳）: 構造規則化された解釈可能なTCR-Epitope予測
Abstract要約: T細胞受容体(TCR)-エピトープ結合予測は適応免疫の理解と免疫療法の開発に不可欠である。既存のシーケンスモデルと構造ベースのモデルは、しばしばアンセエンスに貧弱に一般化し、限定的な解釈性を提供する。本稿では,タンパク質言語モデル埋め込みと解釈可能な接触プロトタイプを組み合わせた構造規則化解釈型設計モデルTCR-SRIMを提案する。
参考スコア（独自算出の注目度）: 32.262305380940724
License: http://creativecommons.org/licenses/by/4.0/
Abstract: T cell receptor (TCR)-epitope binding prediction is essential for understanding adaptive immunity and developing immunotherapies. Existing sequence- and structure-based models often generalize poorly to unseen epitopes and provide limited interpretability. Furthermore, the impact of generated structures on model learning remains unclear. We present TCR-SRIM, a structure-regularized interpretable-by-design model that combines protein language model embeddings with interpretable contact prototypes to capture residue-level TCR-epitope interactions. TCR-SRIM achieves state-of-the-art predictive performance and improved interpretation quality on the TCR-XAI benchmark. Using its inherent interpretability, we further evaluate the effect of generated structures on model learning. While structures predicted by AlphaFold3, TCRModel2, and tFold-TCR yield competitive performance, they lead to less accurate interaction patterns and reduced binding-site diversity than experimentally-resolved structures. Our results highlight limitations of current structure prediction models for TCR-epitope learning and demonstrate the value of interpretable-by-design models for studying generated biological structures.
Abstract（参考訳）: T細胞受容体(TCR)-エピトープ結合予測は適応免疫の理解と免疫療法の開発に不可欠である。既存のシーケンスモデルと構造ベースのモデルは、しばしば目に見えないエピトープに貧弱に一般化し、限定的な解釈性を提供する。さらに、生成した構造がモデル学習に与える影響も不明である。本稿では,タンパク質言語モデル埋め込みと解釈可能な接触プロトタイプを組み合わせて,残差レベルのTCR-エピトープ相互作用をキャプチャする構造規則化解釈型設計モデルTCR-SRIMを提案する。 TCR-SRIMは最先端の予測性能を達成し、TCR-XAIベンチマークの解釈品質を改善した。そこで本研究では,その固有解釈可能性を用いて,モデル学習における生成構造の影響をさらに評価する。 AlphaFold3, TCRModel2, tFold-TCRによって予測される構造は競合性能を得るが, 相互作用パターンの精度は低く, 結合部位の多様性は実験的に解決された構造より低下する。本結果は,TCR-epitope学習における現在の構造予測モデルの限界を強調し,生物構造を解析するための解釈可能な設計モデルの有効性を実証する。

関連論文リスト

PerturbPFN: Probing the Limits of Synthetic Priors in Drug Perturbation Modelling [32.58158334613679]
PerturbPFNは未知のターゲット摂動予測のためのPFNスタイルの補正モデルである。潜伏系グラフ、疎原子干渉ターゲット、干渉強度を推論し、SCMデコーダを介してその効果を伝播する。実シングルセル摂動データと合成ベンチマークを用いてPerturbPFNを評価し,効果予測,ターゲット同定,規制構造探索について検討した。
論文参考訳（メタデータ） (2026-07-26T04:06:42Z)
New Benchmarking Shows Limited Generalization Power of TCR Antigenic Epitope Prediction Models [19.41265373735755]
T細胞受容体(TCR)抗原特異性の計算学的予測は、T細胞生物学の研究を変換し、スケーラブルな免疫工学を可能にする。既存のモデルには、幅広い用途に十分な感度と特異性がない。ここでは、モデル性能と一般化可能性の偏りのない評価を可能にする2つの相補的なデータセットのクラスについて述べる。
論文参考訳（メタデータ） (2026-06-03T15:14:05Z)
PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文参考訳（メタデータ） (2026-06-01T01:43:48Z)
K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。提案手法はシミュレーションと実世界の応用を通して評価する。
論文参考訳（メタデータ） (2026-05-14T13:35:44Z)
HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2026-04-09T14:39:37Z)
Structure Observation Driven Image-Text Contrastive Learning for Computed Tomography Report Generation [51.509572354327986]
本稿では,CTRG(Computed Tomography Report Generation)に適した新しい2段階(構造とレポートの学習)フレームワークを提案する。第1段階では、CT画像中の対応する構造を学習可能な構造特異的な視覚的クエリーの集合を観察し、その結果として得られる観察トークンと、それに伴う放射線学レポートから抽出された構造特異的なテキスト特徴とを、構造的に画像テキストのコントラストロスとで対比する。第2段階では、視覚構造クエリを凍結し、各解剖学的構造を描写したクリティカルイメージパッチ埋め込みを選択するために使用し、メモリ消費を低減しつつ、無関係領域からの注意を最小化する。
論文参考訳（メタデータ） (2026-03-05T07:07:07Z)
StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文参考訳（メタデータ） (2026-03-02T11:35:05Z)
DF-ACBlurGAN: Structure-Aware Conditional Generation of Internally Repeated Patterns for Biomaterial Microtopography Design [3.037984340004948]
内部的に繰り返し、周期的な構造を持つ画像を生成することの学習は、機械学習とコンピュータビジョンモデルに根本的な課題をもたらす。本稿では, DF-ACBlurGANを提案する。このアプローチは、周波数領域反復スケール推定、スケール適応型ガウスボケリング、および単位セル再構成を統合し、シャープな局所特徴と安定した大域周期性とをバランスさせる。
論文参考訳（メタデータ） (2026-02-04T11:05:33Z)
Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
論文参考訳（メタデータ） (2025-10-27T00:04:17Z)
TCR-EML: Explainable Model Layers for TCR-pMHC Prediction [31.62439146845817]
ペプチド-MHC(pMHC)複合体のT細胞受容体(TCR)認識は適応免疫の中心的な構成要素である。本稿では,TCR-pMHCモデリングのためのタンパク質言語モデルバックボーンに組み込むことができる説明可能なモデル層(TCR-EML)を提案する。
論文参考訳（メタデータ） (2025-10-05T21:47:48Z)
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)
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)

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。