論文の概要: AbICL: In-Context Learning for Antigen-Specific Antibody Affinity Ranking
- arxiv url: http://arxiv.org/abs/2607.05846v1
- Date: Tue, 07 Jul 2026 05:06:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.402587
- Title: AbICL: In-Context Learning for Antigen-Specific Antibody Affinity Ranking
- Title（参考訳）: AbICL:抗原特異的抗体親和性ランキングのための文脈学習
- Abstract要約: 本稿では抗原特異的抗体親和性ランキングのためのICCフレームワークであるAbICLを提案する。
AbRankベンチマークの実験は、AbICLが既存のランキングベースラインを一貫して上回っていることを示している。
これらの知見は、抗原特異的抗体親和性ランキングの有効なパラダイムとしてのICLの可能性を強調した。
- 参考スコア（独自算出の注目度）: 14.780636181646818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate ranking of antibody candidates according to their binding affinity is essential for therapeutic antibody discovery. However, existing methods treat affinity comparisons independently and ignore the contextual information encoded in other labeled comparisons, limiting their ability to capture antigen-specific binding landscapes. For many target antigens, a small number of experimentally characterized affinity comparisons are often available. An important question is whether the model can exploit these existing comparisons to infer antigen-specific ranking patterns that facilitate subsequent affinity ranking. This form of learning from labeled demonstrations closely resembles the paradigm of In-Context Learning, motivating us to revisit antibody affinity ranking from an ICL perspective. To this end, we propose AbICL, an ICL framework for antigen-specific antibody affinity ranking. AbICL combines a pretrained structural encoder with a context ranking head and is trained with an episodic meta-training strategy that enables the model to leverage support demonstrations for test-time adaptation without gradient updates. Experiments on the AbRank benchmark demonstrate that AbICL consistently outperforms existing ranking baselines across almost all data splits and evaluation benchmarks. Further analysis shows that the value of contextual demonstrations depends on how well they match the target inference task, and becomes increasingly pronounced under distribution shift and fine-grained affinity discrimination. These findings highlight the potential of ICL as an effective paradigm for antigen-specific antibody affinity ranking, particularly in challenging settings where a single global ranking function is insufficient.
- Abstract（参考訳）: 抗体候補の結合親和性による正確なランク付けは、治療的抗体発見に不可欠である。
しかし、既存の方法は親和性比較を独立に扱い、他のラベル付き比較で符号化された文脈情報を無視し、抗原特異的な結合風景を捉える能力を制限する。
多くの標的抗原に対して、少数の実験的特徴を持つ親和性比較がしばしば利用可能である。
重要な疑問は、このモデルがこれらの既存の比較を利用して、後続の親和性ランキングを促進する抗原特異的ランキングパターンを推測できるかどうかである。
ラベル付きデモンストレーションからのこの学習形式は、ICLの観点からの抗体親和性ランキングを再考する動機となる、インコンテキストラーニングのパラダイムによく似ている。
そこで本研究では,抗原特異的抗体親和性ランキングのためのICLフレームワークであるAbICLを提案する。
AbICLは、事前訓練された構造エンコーダとコンテキストランキングヘッドを組み合わせることで、モデルが勾配更新なしでテスト時間適応のためのサポートデモを活用できるように、エピソードなメタトレーニング戦略で訓練される。
AbRankベンチマークの実験は、AbICLがほぼすべてのデータ分割と評価ベンチマークで既存のランキングベースラインを一貫して上回っていることを示している。
さらに分析したところ、文脈的実演の価値は、対象の推論タスクとどの程度うまく一致しているかに依存し、分布シフトと微粒な親和性判別の下で、ますます顕著になることが示された。
これらの知見は, 抗原特異的抗体親和性ランキングの有効なパラダイムとしてのICLの可能性, 特に1つのグローバルランキング機能が不十分な状況下での課題を浮き彫りにしている。
関連論文リスト
- Preference-based Antibody Expression Ranking: Scaling with Large-scale Weak Supervision [1.5623752145311105]
本稿では,少ない量的表現データと,免疫データからの大規模で弱い正の監督を統合した一元的嗜好に基づく学習フレームワークを提案する。
我々は,タンパク質言語モデルに対して,結合型ログ類似近似とIMGTに基づくアライメントを導入することにより,直接優先度最適化を適用する。
以上の結果から,データ制約条件下での抗体表現性最適化のためのスケーラブルなソリューションとして,選好学習が弱い管理から効果的に学習できることが示唆された。
論文 参考訳（メタデータ） (2026-06-29T03:34:12Z) - 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) - AbLWR:A Context-Aware Listwise Ranking Framework for Antibody-Antigen Binding Affinity Prediction via Positive-Unlabeled Learning [31.99809102852669]
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。
論文 参考訳（メタデータ） (2026-04-13T10:28:36Z) - 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) - 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) - Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。
さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
論文 参考訳（メタデータ） (2024-12-14T03:00:44Z) - 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) - 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) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Adversarial Contrastive Learning via Asymmetric InfoNCE [64.42740292752069]
非対称なInfoNCEの目的と対比した場合,非対称なサンプルを不等に扱うことを提案する。
非対称的な方法では、CLと対向学習の相反する目的の悪影響を効果的に軽減することができる。
実験の結果,提案手法は既存CL法より一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2022-07-18T04:14:36Z)
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。