神经信息传递用于联合抗体结合部位 - 表位预测
本研究利用深度神经网络实现抗体重要区域的预测,与先前的物理模型相比,Parapred 取得了更好的表现,其计算效率得到了显著提高,同时,实现交叉模态注意力,抗体残基与抗原残基相互关注,取得了新的最佳结果和有意义的解释。
Jun, 2018
抗体、机器学习、免疫治疗设计、抗原表位预测以及蛋白质结构是这篇文章所讨论的关键词和主要研究领域,文章评估了常用的数据来源、评价指标和方法可用性,并全面评估了它们的重要性和局限性,讨论了未来的主要挑战。
Sep, 2023
本文研究了在识别和中和有害外来分子中抗体 - 抗原相互作用中的最佳表示,强调几何信息的重要性,并比较了应用于蛋白质内部(I-GEP)和外部(O-GEP)结构的不同几何深度学习方法。我们将三维坐标和谱几何描述符作为输入特征,充分利用几何信息。研究结果表明,基于表面的模型比其他方法更高效,并且我们的 O-GEP 实验在性能上取得了显著的改进和最新成果。
May, 2023
提出了一个基于深度学习的多任务框架,用于线性 B 细胞表位预测以及抗体类型特异性表位分类。实验证明了该方法的有效性和卓越的性能。
Sep, 2023
通过使用抗体和抗原的序列和结构数据,本文提出了一种名为 MIPE 的多模态对比学习和相互信息估计的抗原表位和抗体表位预测方法,MIPE 通过最大化每个模态中与结合和非结合残基的表示并同时对齐单模态表示以获得有效的模态表示;为了利用空间交互信息,MIPE 还包括相互信息估计来计算抗体和抗原之间的估计交互矩阵,从而近似于实际矩阵。大量实验证明了我们的方法相比基线方法的优越性,并且消融实验和可视化结果证明了 MIPE 的优越性,这要归功于通过多模态对比学习获得的更好表示和相互信息估计所理解的交互模式。
May, 2024
我们提出了 IgBert 和 IgT5,这两个迄今为止最好的抗体特异性语言模型,在设计更好的治疗方法方面,能持续处理成对和不成对的变量区域序列作为输入,并且在抗体工程的多样化设计和回归任务上,这些模型胜过了现有的抗体和蛋白质语言模型。这一进展在利用机器学习、大规模数据集和高性能计算增强抗体治疗方法的设计方面迈出了重要的一步。
Mar, 2024
本文介绍一种名为 AntiBERTy 的语言模型,该模型基于 558M 个天然抗体序列进行训练,在免疫库中对抗体进行聚类,用于理解免疫应答的亲和力成熟的过程,针对高度冗余的序列进行多实例学习,以确定免疫库中关键的结合残基。该方法的进一步发展将能够仅从免疫库序列中提供新的抗原结合洞察。
Dec, 2021
我们提出了一种层次训练范式 (HTP) 用于抗体序列结构的联合设计,通过结合几何图神经网络和大规模蛋白质语言模型,从几何结构和抗体序列数据库中挖掘进化信息,以确定配体结合位姿和强度,并取得了目前的最优性能。
Oct, 2023
MATE-Pred 是一种高度可靠的新方法,通过多模式注意力机制预测 T 细胞受体和表位结合亲和力,展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力,以及在各种药物发现方案中的潜在应用。
Dec, 2023
本文提出了一种基于预训练模型的计算抗体设计方法,通过对抗体序列数据的预先训练,结合一种一次性的序列 - 结构生成方法和精心设计的模块,成功地生成了具有高性能的抗原特异性抗体。
Oct, 2022