論文の概要: Multimodal reasoning for broadly neutralizing antibody discovery from label-free human B cell repertoires across virus families
- arxiv url: http://arxiv.org/abs/2610.03160v1
- Date: Fri, 02 Oct 2026 11:35:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.350224
- Title: Multimodal reasoning for broadly neutralizing antibody discovery from label-free human B cell repertoires across virus families
- Title（参考訳）: ラベルのないヒトB細胞レパートリーからウイルスファミリーに分布する広範囲に中和する抗体発見のマルチモーダル推論
- Abstract要約: ImmuneAgentは、マルチモーダル推論と連続的なメタ学習とウェットラブフィードバックを統合するクローズドループAIシステムである。
このシステムは、55%の中和抗体発見率と11%のbnAb収率を達成する。
5種類の免疫抗原抗体は、臨床段階のMEDI8852に匹敵する致死的障害に対して100%in vivoで保護された。
- 参考スコア（独自算出の注目度）: 13.013551874292228
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovering broadly neutralizing antibodies (bnAbs) from human natural immune repertoires remains a fundamental challenge in immunology, hindered by: the extreme rarity of bnAb, incomplete understanding of their cellular origins across pathogens, and the inability of existing computational tools to generalize across emerging viral threats. Here we present ImmuneAgent, a closed-loop AI system that integrates multimodal reasoning with continual meta-learning and wet-lab feedback to overcome these barriers. Applied to screen the natural BCR repertoires from vaccinated or infected cohorts, the system achieves a ~55% neutralization antibody discovery rate (60 of 110 cloned candidates) and a ~11% bnAb yield (12 of 110), substantially outperforming a state-of-the-art sequence-based neutralization predictor or cofolding models evaluated at the same cloning budget. Five ImmuneAgent-discovered antibodies conferred 100% in vivo protection against lethal influenza challenge, comparable to the clinical-stage therapeutic MEDI8852. The system recovered the cellular and structural determinants of bnAb activity and identified FCRL5+CD27+ atypical memory B cells as a conserved bnAb reservoir and hydrophobic interface enrichment as a cross-viral structural signature, which generalized to unseen antigens, discovering human metapneumovirus (hMPV) cross-neutralizing and human papillomavirus (HPV)-neutralizing antibodies without antigen-specific sorting. These results validate that ImmuneAgent is a generalizable framework for rapid therapeutic antibody discovery against emerging viral threats.
- Abstract（参考訳）: ヒトの自然免疫レパートリーから広範囲に中和する抗体(bnAb)を発見できることは、免疫学の基本的な課題であり、bnAbの極度な希少性、病原体間の細胞起源の不完全な理解、既存の計算ツールが新たに出現するウイルスの脅威にまたがって一般化できないことなどによって妨げられている。
ここでは、マルチモーダル推論と連続メタ学習とウェットラブフィードバックを統合し、これらの障壁を克服するクローズドループAIシステムImmuneAgentを紹介する。
ワクチン接種または感染したコホートから天然のBCRレパートリーをスクリーニングするために、システムは、約55%の中和抗体発見率(110のクローン候補のうち60)と約11%のbnAb収率(110の12)を達成する。
5種類の免疫抗原抗体は、臨床段階のMEDI8852に匹敵する致死性インフルエンザに対する生体防御を100%付与した。
このシステムは、bnAb活性の細胞および構造決定因子を回収し、FCRL5+CD27+非定型記憶B細胞を保存されたbnAb貯水池として同定し、疎水性界面の富化をクロスウイルス構造シグネチャとして一般化し、ヒトメタニューモウイルス(hMPV)のクロスニュートラル化とヒトパピローマウイルス(HPV)のニュートラル化抗体を抗原特異的に選別せずに発見した。
これらの結果はImmuneAgentがウイルス感染の脅威に対する迅速治療抗体発見の一般的な枠組みであることを証明している。
関連論文リスト
- 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) - A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。
本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
論文 参考訳（メタデータ） (2025-09-16T18:21:42Z) - HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity [8.64940622146001]
ヒト呼吸性ウイルス免疫LongitudinAl遺伝子の発現(HR-VilAGE-3K3M)リポジトリは、256万以上の細胞を含む66の被験者3,178名から14,136名のRNA-seqプロファイルを統合している。
HR-VilAGE-3K3Mは、ヒトの呼吸器ウイルス免疫にとって最大の経時的転写産物である。
論文 参考訳（メタデータ） (2025-05-19T19:37:49Z) - Llama-Affinity: A Predictive Antibody Antigen Binding Model Integrating Antibody Sequences with Llama3 Backbone Architecture [2.474908349649168]
先進的な抗体-抗原結合親和性予測モデル(Llamafinity)を提案する。
精度は0.9640、F1スコアは0.9643、精度は0.9702、リコールは0.9586、AUC-ROCは0.9936である。
この戦略では計算効率が向上し、5倍の平均累積トレーニング時間はわずか0.46時間であった。
論文 参考訳（メタデータ） (2025-05-17T20:10:54Z) - Leveraging Large Language Models to Predict Antibody Biological Activity Against Influenza A Hemagglutinin [0.15547733154162566]
インフルエンザA型ヘマグルチニン(HA)抗原に対する抗体の結合および受容体遮断活性を予測するためのAIモデルを開発した。
AUROC $geq$0.91, AUROC $geq$0.91, AUROC for unseen HAs。
論文 参考訳（メタデータ） (2025-02-02T06:48:45Z) - A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules [4.501817929699959]
免疫チェックポイント阻害剤は様々な種類の腫瘍に対して有望な臨床効果を示した。
腫瘍抗原とHLA-I/TCR分子との結合は抗原提示とT細胞活性化を決定する。
両受容体へのペプチドの結合を同時に予測するために設計された,統合型クロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
論文 参考訳（メタデータ） (2024-04-08T08:25:25Z) - 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) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。