論文の概要: Antigen-specific Antibody Multi-modal Foundation Model for Functional Antibody Design

• arxiv url: http://arxiv.org/abs/2607.20057v1
• Date: Wed, 22 Jul 2026 11:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.069439
• Title: Antigen-specific Antibody Multi-modal Foundation Model for Functional Antibody Design
• Title（参考訳）: 機能性抗体設計のための抗原特異的抗体多型基盤モデル
• Abstract要約: AAMFMは抗原に特異的なマルチモーダルファンデーションモデルであり、抗原の文脈で条件付けられた抗体配列と構造を統一的に表現することを学ぶ。 AAMFMは、機能抗体設計における最先端のパフォーマンスを達成し、抗原特異的抗体工学の可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 20.26254287473861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antibodies are essential proteins that play a central role in immune recognition by binding specific antigen molecules. Although recent protein language models have enabled progress in single-chain protein modeling and generation, they often fall short in antigen-specific antibody design, where effective modeling requires explicit pairing between antibody and antigen, particularly at the epitope level. To address these limitations, we introduce AAMFM, an Antigen-specific Antibody Multimodal Foundation Model that learns unified representations of antibody sequences and structures conditioned on antigen context. AAMFM incorporates rich antigen information including geometric interfaces and epitope annotations via a cross-modal adapter, enabling joint modeling of antibody-antigen interactions in a shared latent space. To further guide the model toward functional relevance, we fine-tune AAMFM using Calibrated Direct Preference Optimization (Cal-DPO), leveraging preference signals extracted from a strong structural prior to align learning with binding-specific objectives. Extensive experiments demonstrate that AAMFM achieves state-of-the-art performance in functional antibody design, revealing its potential for antigen-specific antibody engineering. Our code is available at https://github.com/XL-S224/AAMFM.
• Abstract（参考訳）: 抗体は、特定の抗原分子を結合させることによって免疫認識において中心的な役割を果たす重要なタンパク質である。 最近のタンパク質言語モデルでは、単一鎖タンパク質のモデリングと生成の進歩が可能であるが、抗原特異的な抗体設計ではしばしば不足しており、特にエピトープレベルでは、効果的なモデリングでは抗体と抗原の明確なペアリングが必要である。 これらの制約に対処するために,抗原コンテキストに基づく抗体配列と構造の統一表現を学習する抗原特異的抗体多型基盤モデルであるAMFMを導入する。 AAMFMは、クロスモーダルアダプターを介して幾何学的インターフェースやエピトープアノテーションを含む豊富な抗原情報を取り込み、共有潜在空間における抗体と抗原の相互作用の合同モデリングを可能にする。 Cal-DPO(Calibrated Direct Preference Optimization)を用いてAAMFMを微調整し、強い構造から抽出した選好信号を利用して、学習と結合固有の目的を整合させる。 広範囲にわたる実験により、AMFMは機能的抗体設計において最先端のパフォーマンスを達成し、抗原特異的抗体工学の可能性を明らかにした。 私たちのコードはhttps://github.com/XL-S224/AAMFMで公開されています。

関連論文リスト

• AbAffinity: A Large Language Model for Predicting Antibody Binding Affinity against SARS-CoV-2 [0.0]
  機械学習ベースの抗体デザインは、感染症に対処する最も有望なアプローチの1つとして浮上している。 抗体が抗原に結合する能力(結合親和性と呼ばれる)は、中和抗体を設計する上で最も重要な性質の1つである。 本研究では,ターゲットペプチドに対する抗体の結合親和性を正確に予測できる新しい大規模言語モデルであるAb-Affinityを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T18:09:10Z)
• AbBiBench: A Benchmark for Antibody Binding Affinity Maturation and Design [8.195812610020203]
  AbBiBenchは、抗体結合親和性成熟と設計のためのベンチマークフレームワークである。 タンパク質モデルが完全なAb-Ag複合体をどれだけうまくスコアするかを測定することによって、抗体設計の結合電位を評価する。
  論文  参考訳（メタデータ） (2025-05-23T21:09:04Z)
• dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen [52.809470467635194]
  治療抗体の開発は、抗原が抗体とどのように相互作用するかの正確な予測に大きく依存している。 抗体設計における既存の計算方法はしばしば、結合過程において抗原が実行されている重要なコンフォメーション変化を見落としている。 我々は、αFold2による予測を組み込んだ柔軟なフレームワークであるdyAbを導入し、前結合性抗原構造をモデル化する。
  論文  参考訳（メタデータ） (2025-03-01T03:53:18Z)
• 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)
• Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization [51.28231365213679]
  我々は,抗原特異的抗体配列構造共設計を,特定の嗜好に対する最適化問題として取り組んだ。 そこで本研究では,有理構造と抗原への結合親和性の両方を有する抗体の生成を誘導する,直接エネルギーに基づく選好最適化を提案する。
  論文  参考訳（メタデータ） (2024-03-25T09:41:49Z)
• 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)
• AntBO: Towards Real-World Automated Antibody Design with Combinatorial Bayesian Optimisation [53.43922443725598]
  本稿では,CDRH3領域のシリコ設計を効率的に行うための組合せ最適化アルゴリズムAntBOを提案する。 AntBOをベンチマークするために、私たちはAbsolut!ソフトウェアスイートをブラックボックスのオラクルとして使用しています。 200以上のタンパク質の設計において、AntBOは690万の実験的に得られたCDRH3から引き出された最も優れた結合配列より優れた抗体配列を提案することができる。
  論文  参考訳（メタデータ） (2022-01-29T12:03:04Z)

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。