論文の概要: Preference-based Antibody Expression Ranking: Scaling with Large-scale Weak Supervision

• arxiv url: http://arxiv.org/abs/2607.16263v1
• Date: Mon, 29 Jun 2026 03:34:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.064347
• Title: Preference-based Antibody Expression Ranking: Scaling with Large-scale Weak Supervision
• Title（参考訳）: 嗜好に基づく抗体のランク付け:大規模弱視によるスケーリング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.5623752145311105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibody expression ranking is a critical task in antibody design, yet its modelling is severely hindered by the scarcity of labeled experimental data. To address this, we propose a unified preference-based learning framework that integrates scarce quantitative expression data with large-scale weak positive supervision from immunization data. We adapt Direct Preference Optimization (DPO) to protein language models by introducing a union-masked log-likelihood approximation and IMGT-based alignment, enabling efficient training on variable-length sequences. Evaluating on a diverse internal dataset of 1254 labeled sequences and 4 million unlabeled camelid-derived antibodies, we show that our method consistently outperforms baselines on most metrics. Our results demonstrate that preference learning can effectively learn from weak supervision, providing a scalable solution for antibody expressibility optimization in data-constrained settings. Project page: https://kisoji-biotechnology-inc.github.io/Preference-Expression-Ranking/.
• Abstract（参考訳）: 抗体の発現ランキングは、抗体設計において重要な課題であるが、ラベル付き実験データの不足により、そのモデル化が著しく妨げられている。 そこで本研究では,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,統一された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DPO(Direct Preference Optimization)を適用し,結合型ログ類似近似とIMGTに基づくアライメントを導入し,可変長配列の効率的なトレーニングを可能にする。 1254のラベル付き配列と400万のラベルなしカメリッド由来の抗体の多種多様な内部データセットを評価した結果,本手法はほとんどの指標において一貫してベースラインを上回っていることがわかった。 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。 プロジェクトページ:https://kisoji-biotechnology-inc.github.io/Preference-Expression-Ranking/。

関連論文リスト

• AbICL: In-Context Learning for Antigen-Specific Antibody Affinity Ranking [14.780636181646818]
  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。
  論文  参考訳（メタデータ） (2026-07-07T05:06:53Z)
• Uncertainty-Aware Exploratory Direct Preference Optimization for Multimodal Large Language Models [53.15468578562038]
  マルチモーダル大言語モデル(MLLM)のための不確実性を考慮した探索的直接参照最適化(UE-DPO)手法を提案する。 まず、与えられた画像にトークン予測を根拠にしなかったモデルの不確かさを定量化する。 次に、好ましいサンプルにおいて、視覚的に不足したトークンに対する学習のプレッシャーを高め、非推奨サンプルにおける有益な知識の過度な報酬化を緩和する。
  論文  参考訳（メタデータ） (2026-05-06T13:08:12Z)
• 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)
• Uncertainty-Guided Model Selection for Tabular Foundation Models in Biomolecule Efficacy Prediction [3.108481950101193]
  本研究では,モデル選択のための不確実性誘導戦略について検討する。 本研究では,直列型特徴量を用いたTabPFNモデルが,最先端の予測器を上回りうることを示す。
  論文  参考訳（メタデータ） (2025-10-02T18:33:19Z)
• 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)
• Spread Preference Annotation: Direct Preference Judgment for Efficient LLM Alignment [72.99676237703099]
  大規模言語モデルと人間の嗜好の整合性を高める新しいフレームワークを提案する。 私たちのキーとなるアイデアは、小さな(種)データの中で人間の事前知識を活用することです。 本稿では,ノイズ認識型選好学習アルゴリズムを導入し,生成した選好データにおける品質低下のリスクを軽減する。
  論文  参考訳（メタデータ） (2024-06-06T18:01:02Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
  ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。 両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。 転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-10-10T10:48:52Z)

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。