論文の概要: ABOPD: Antibody CDR Design via On-Policy Distillation

• arxiv url: http://arxiv.org/abs/2607.18835v1
• Date: Tue, 21 Jul 2026 08:18:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.35681
• Title: ABOPD: Antibody CDR Design via On-Policy Distillation
• Title（参考訳）: ABOPD: オンデマンド蒸留による抗体CDR設計
• Abstract要約: そこで本研究では, オンライン蒸留に基づく抗体設計フレームワークであるABOPDを導入し, モデル自体の認知軌跡に沿って訪れた状態を監督する。 ABOPD はRAbD CDR-H3 生成の構造回復を大幅に改善し、RMSD を 0.42 (2.37 から 1.95 まで) 削減し、監督された微調整およびオフライン蒸留制御よりも優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 47.64921673177562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antibodies are essential therapeutic molecules, and their complementarity-determining regions (CDRs) form the primary antigen-recognition interface. Recent protein generative models have demonstrated broad capabilities in biomolecular design, yet post-training strategies for downstream objectives remain limited. Standard denoising training operates on noisy states obtained by perturbing native structures, whereas recursive generation proceeds through model-generated intermediate states. For flexible antibody CDR loops such as CDR-H3, this mismatch can allow backbone deviations to accumulate along the denoising trajectory and compromise antigen-facing loop geometry. We introduce ABOPD, an antibody design framework based on on-policy distillation that leverages privileged native geometry during training to supervise states visited along the model's own denoising trajectories. With this fine-grained structural supervision, ABOPD substantially improves structural recovery on RAbD CDR-H3 generation, reducing RMSD by 0.42 Å (from 2.37 Å to 1.95 Å) and outperforming supervised fine-tuning and offline distillation controls, offering a path to higher-fidelity protein design.
• Abstract（参考訳）: 抗体は必須な治療分子であり、その相補性決定領域(CDR)が一次抗原認識界面を形成する。 最近のタンパク質生成モデルでは、生体分子設計の幅広い能力が示されているが、下流の目的に対する訓練後の戦略は限定的のままである。 標準的な騒音訓練は、ネイティブ構造を摂動させることによって得られるノイズの多い状態で動作するが、再帰的生成はモデル生成中間状態を通して進行する。 CDR-H3のような柔軟な抗体CDRループでは、このミスマッチにより、背骨の偏差が脱臭軌道に沿って蓄積され、抗原に面したループの形状が損なわれる。 オンライン蒸留に基づく抗体設計フレームワークであるABOPDを導入し、トレーニング中に特権的ネイティブジオメトリを活用して、モデル自体の認知軌道に沿って訪れた状態を監督する。 この微細な構造的監督により、ABOPDはRAbD CDR-H3 生成の構造的回復を大幅に改善し、RMSD を 0.42 から 2.37 から 1.95 まで削減し、監督された微調整とオフラインの蒸留の制御性能を向上し、高忠実度タンパク質設計への道筋を提供する。

関連論文リスト

• APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
  そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。 APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。 この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-30T17:21:58Z)
• FP-AbDiff: Improving Score-based Antibody Design by Capturing Nonequilibrium Dynamics through the Underlying Fokker-Planck Equation [19.153777175873547]
  FP-AbDiffはFokker-Planck Equation (FPE) 物理を誘導する最初の抗体生成装置である。 生成力学を物理法則と整合させることにより、FP-AbDiffは堅牢性と一般化性を高め、物理的に忠実で機能的に実行可能な抗体設計のための原則化されたアプローチを確立する。
  論文  参考訳（メタデータ） (2025-11-05T01:44:37Z)
• Efficient Antibody Structure Refinement Using Energy-Guided SE(3) Flow Matching [16.192361788505558]
  FlowABはエネルギー誘導型フローマッチングに基づく新規な抗体構造精製法である。 適切な先行モデルと組み合わせて使用する場合、抗体構造予測タスクにおいて、新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-10-22T04:13:55Z)
• 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)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• 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)
• 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)
• Iterative Refinement Graph Neural Network for Antibody Sequence-Structure Co-design [35.215029426177004]
  そこで本研究では,結合特異性や中和機能を増強した抗体を自動設計する生成モデルを提案する。 本手法は,SARS-CoV-2ウイルスを中和可能な抗体の設計において,テストセット上で優れたログライクレーションを実現し,過去のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-10-09T18:23:32Z)

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。