論文の概要: EMBER: Predicting TCR--pMHC Binding Without a Docked Complex

• arxiv url: http://arxiv.org/abs/2610.27334v1
• Date: Mon, 19 Oct 2026 21:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.522951
• Title: EMBER: Predicting TCR--pMHC Binding Without a Docked Complex
• Title（参考訳）: EMBER: ドッキングコンプレックスのないTCR--pMHC結合予測
• Abstract要約: 本稿では,TCR-pMHC結合予測のための構造ベースフレームワークを提案する。 従来の構造に基づく予測器は、受容体と抗原の共折り複合体構造と接触面からの解釈結合を利用する。 EMBERはTCRとpMHCを独立に折り畳み、SE(3)不変残差グラフとしてエンコードし、共有座標フレームを構築することなくそれらの学習表現を比較する。
• 参考スコア（独自算出の注目度）: 12.492883192385142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose EMBER, a structure-based framework for TCR--pMHC binding prediction that eliminates the need for a predicted docked complex, and with it the placement error that dominates such predictions. Traditional structure-based predictors utilize the co-folded complex structure of the receptor and the antigen and interpret binding from its contact surface. Consequently, every downstream feature inherits any deviation the structure-prediction tool introduced. Methodologically, EMBER folds the TCR and pMHC independently, encodes them as SE(3)-invariant residue graphs, and compares their learned representations without constructing a shared coordinate frame. A relative pose is therefore not an input of the model, so placement error cannot propagate into the prediction. Computationally, EMBER preprocesses $O(N{+}M)$ monomer folds where a complex-based predictor needs $O(NM)$ operations. Experimentally, under epitope-disjoint evaluation with six retrained baselines, EMBER is first on every metric under all four folding tools, by 0.9 to 14.4% in micro-AUROC, 18.5 to 25.3% in micro-AUPRC and 10.6 to 24.1% in MCC. Its ranking is also up to 85% more stable across folding tools.
• Abstract（参考訳）: 本稿では,TCR-pMHC結合予測のための構造ベースフレームワークEMBERを提案する。 従来の構造に基づく予測器は、受容体と抗原の共折り複合体構造と接触面からの解釈結合を利用する。 その結果、ダウンストリーム機能はすべて、導入された構造予測ツールの逸脱を継承する。 方法論的には、EMBERはTCRとpMHCを独立に折り畳み、それらをSE(3)不変残差グラフとしてエンコードし、共有座標フレームを構築することなくそれらの学習された表現を比較する。 したがって、相対的なポーズはモデルの入力ではないため、配置誤差は予測に伝播できない。 計算的に、EMBERは$O(N{+}M)$ monomer folds を前処理する。 実験では、6つのリトレーニングされたベースラインによるエピトープ・ディジョイントの評価の下で、EMBERは4つの折りたたみ工具の全ての測定基準において、まず0.9から14.4%、マイクロAUROCは18.5から25.3%、MCCは10.6から24.1%である。 折りたたみ式ツールでは、ランキングが最大85%安定している。

関連論文リスト

• M-JEPA: Predictive Self-Supervised Learning for Molecular Graphs with Scaffold-Shift Evaluation on Tox21 [0.0]
  自己教師付き分子表現学習は、ラベルに制限された小さな特性予測タスクの伝達を改善するために、ますます使われている。 化学コヒーレントな結合部分グラフをマスキングすることにより分子グラフに結合埋め込み予測アーキテクチャ(JEPA)を適用する。 マッチングされた計算では、M-JEPAは計算マッチングされたInfoNCEベースラインよりもかなり低いESOLプロキシRMSEを達成する。
  論文  参考訳（メタデータ） (2026-10-18T10:39:31Z)
• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• Neural means and kernel corrections for operator learning [0.0]
  ニューラルネットワーク手段と、その残余と学習した特徴の正確なMatérnカーネル回帰を組み合わせる。 構造力学では、組み合わせは4.55%のテストエラーに達し、最も優れたアーキテクチャと一致する。 その代わりに2つのファミリーが結びついている場合、私たちが訓練する全てのアーキテクチャの残余は0.86以上と相関し、それらの共有コンポーネントは多様性とサンプルサイズにおいて平坦である。
  論文  参考訳（メタデータ） (2026-07-08T17:58:52Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Beyond Value Benchmarks: Measuring Value-Structure Alignment in Large Language Models via Symmetric Q-Sorts [47.02978329409663]
  そこで本研究では,Q手法に基づく対称型人間-LLM評価フレームワークを提案する。 私たちのプロトコルでは、人間とモデルは同一の140項目の道徳的ステートメントを、共有された9カラムの強制分布に分類します。 240個の複製されたQ-sortを2つの温度設定で4つのモデルファミリーにまたがる12個のLLMを評価した。
  論文  参考訳（メタデータ） (2026-06-20T08:15:41Z)
• CREDENCE: Claim Reduction for Decomposition & Enhanced Credibility -- Semantic Metrics and Convergence Analysis [0.0]
  複合文を原子的検証可能なクレームに分解することは、信頼性の高い自動事実チェックの前提条件である。 従来の作業は、パラフレーズ的クレームの分解品質を体系的に過小評価するトークンオーバーラップ(Jaccard)メトリクスに依存していました。 両欠点に対処するクレーム分解および評価フレームワークであるクレデンスについて述べる。
  論文  参考訳（メタデータ） (2026-06-18T05:48:37Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Heterogeneous Ordinal Structure Learning with Bayesian Nonparametric Complexity Discovery [1.089614199781423]
  既存の順序構造学習者は、すべての回答者に対して共有指向非巡回グラフ(DAG)を仮定する。 最近の順序的グラフィカルモデルアプローチは、クラスタ固有のDAG推定ではなく、サブグループ発見に焦点を当てている。
  論文  参考訳（メタデータ） (2026-05-05T18:32:49Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)

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。