論文の概要: EpiBench: Can LLMs Understand Epitopes for Antibody Drug Discovery?
- arxiv url: http://arxiv.org/abs/2608.06022v1
- Date: Thu, 06 Aug 2026 13:29:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.923892
- Title: EpiBench: Can LLMs Understand Epitopes for Antibody Drug Discovery?
- Title（参考訳）: エピベンチ:LLMは抗生物質発見のエピトープを理解できるか?
- Abstract要約: 大型言語モデル(LLM)が抗原および抗体配列から直接情報を推測できるかどうかは不明である。
EpiBenchは、LCMの推論を評価するためのクローズドブック、シーケンスベースのベンチマークである。
対象領域の識別、ビンニング、機能評価、抗体エスケープアセスメントの5つの関連タスクをカバーしている。
9種類の汎用LCMを評価し, タスク固有のベースライン, 抗原長の階層化, 明示的推論比較, 失敗モード検査による解析を行った。
- 参考スコア（独自算出の注目度）: 23.483714012849735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epitopes determine where antibodies bind antigens and shape downstream therapeutic properties such as functional blockade and escape resistance, making epitope understanding central to antibody drug discovery. Although large language models (LLMs) have shown strong biomedical reasoning ability, it remains unclear whether they can infer epitope information directly from antigen and antibody sequences. Existing epitope resources typically focus on isolated prediction tasks or rely on specialized structural settings, while general protein benchmarks do not evaluate epitope-centered decisions across the antibody development workflow. To address this gap, we introduce EpiBench, a closed-book, sequence-based, and automatically scorable benchmark for evaluating epitope reasoning in LLMs. EpiBench contains 1,609 curated samples grounded in structural antibody--antigen contacts, curated functional B-cell assays, and deep mutational scanning escape measurements. It covers five connected tasks: targetable region discovery, antibody-conditioned epitope identification, epitope binning, functional epitope assessment, and antibody escape assessment, with controlled sampling to reduce shortcut-based evaluation artifacts. We evaluate nine general-purpose LLMs and analyze their behavior through task-specific baselines, antigen length stratification, explicit-reasoning comparison, and failure-mode inspection. The results show that current LLMs capture partial epitope-related signals but remain limited in antibody-specific sequence grounding, long-context residue localization, and biologically grounded reasoning. Therefore, EpiBench provides a diagnostic testbed for measuring and improving sequence-aware biomedical LLMs toward reliable LLM-assisted antibody discovery.
- Abstract（参考訳）: エピトープは、抗体が抗原と結合し、機能的遮断やエスケープ抵抗のような下流治療特性を形作る場所を決定づけ、エピトープは抗体薬の発見の中心となる。
大規模言語モデル(LLMs)は強い生医学的推論能力を示したが、エピトープ情報を抗原や抗体配列から直接推測できるかどうかは不明である。
既存のエピトープリソースは、通常、孤立した予測タスクにフォーカスするか、特定の構造的設定に依存するが、一般的なタンパク質ベンチマークでは、抗体開発ワークフロー全体においてエピトープ中心の決定を評価しない。
このギャップに対処するために、LLMにおけるエピトープ推論を評価するための、クローズドブック、シーケンスベース、自動スコラ可能なベンチマークであるEpiBenchを紹介する。
EpiBenchは、構造抗体-抗原接触、機能的B細胞アッセイ、深部突然変異スキャンエスケープ測定で接地された1,609個の培養サンプルを含む。
対象領域の発見、抗体条件によるエピトープ同定、エピトープビニング、機能的エピトープ評価、および抗体エスケープアセスメントの5つの関連タスクをカバーし、ショートカットに基づく評価アーティファクトを削減した。
9種類の汎用LCMを評価し, タスク固有のベースライン, 抗原長の階層化, 明示的推論比較, 失敗モード検査による解析を行った。
その結果、現在のLLMは部分エピトープ関連シグナルを捕捉するが、抗体特異的な塩基配列の接地、長文残基の局在、生物学的に接地された推論に制限されていることが明らかとなった。
したがって、EpiBenchは、信頼できるLDM支援抗体発見に向けた、シーケンシャル・アウェア・バイオメディカルLLMの測定および改善のための診断テストベッドを提供する。
関連論文リスト
- When Collaboration Becomes a Trigger: Collective Evidence-Threshold Backdoors in Multi-Agent Systems [57.450132281381066]
ピアエビデンスが単一のメッセージによって決定されるのではなく、隠れたしきい値に達すると、バックドアの動作が起動される。
我々は,MASとBundary-Conditioned Backdoor Injection(BCBI)のための集合的エビデンス-ホールドバックドアパラダイムを導入する。
クリーンな通信力学を学習し,異常なエージェント更新を隔離する,クリーンな唯一の潜時防御であるLATTEを提案する。
論文 参考訳（メタデータ） (2026-08-02T08:38:44Z) - Computational Modeling of Antibody-Antigen Complexes: PLM-Based and MSA-Based Approaches [17.202242036098003]
本論文は, 抗体関連課題がなぜ難しいのかを考察し, 2つの相補的な方向による改善を提案する。
まず,タンパク質言語モデル(PLM)を用いた抗体および抗体-抗原構造予測法について検討する。
第2に,MSAによる抗体抗原複合体予測のための2つの介入法を開発した。
論文 参考訳（メタデータ） (2026-05-27T03:43:52Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models [0.0]
本研究では,細菌由来の多剤耐性(MDR)を予測するための解釈可能な機械学習フレームワークを提案する。
ロジスティック回帰、ランダムフォレスト、AdaBoost、XGBoost、LightGBMの5つの分類モデルが評価された。
アンサンブルモデル、特にXGBoostとLightGBMは、すべてのメトリクスに対して優れた予測能力を示した。
論文 参考訳（メタデータ） (2026-02-25T20:50:01Z) - 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) - BConformeR: A Conformer Based on Mutual Sampling for Unified Prediction of Continuous and Discontinuous Antibody Binding Sites [3.947298454012977]
本研究では,1,080の抗原-抗体複合体から得られた抗原配列に基づいて,コンフォメーションに基づくモデルを提案する。
CNNは線形の予測を強化し、Transformerモジュールはコンフォメーションの予測を改善する。
実験の結果,PCC,ROC-AUC,PR-AUC,F1のスコアにおいて,線形およびコンフォーメーションの両方において,既存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） (2025-08-16T12:31:39Z) - Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。
本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。
このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
論文 参考訳（メタデータ） (2025-03-06T18:35:39Z) - BeeTLe: A Framework for Linear B-Cell Epitope Prediction and
Classification [0.43512163406551996]
本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。
そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。
最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-09-05T09:18:29Z) - 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) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳（メタデータ） (2021-10-28T17:46:14Z)
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。