Jun, 2023

基于环特定关注的多任务学习，用于 CDR 结构预测

PDF
TL;DR本文提出了一个采用多任务学习和循环特定注意的模型，名为 MLSA，用于共同学习三个 CDR 循环，以预测抗体工程中最具挑战性的 H3 环的 CDR 结构，并在广泛使用的基准数据上表明，该方法明显降低了预测误差。
complementarity determining regionantibody engineeringcdr structure predictionmulti-task learningloop specific attention
发现论文，激发创造
  • 融合预训练范式的抗体序列 - 结构协同设计

    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

  • AntibodyFlow: 设计抗体互补决策区的标准流模型

    提出了一种名为 AntibodyFlow 的三维流模型，用于设计抗体 CDR 环。通过构建距离矩阵并基于该矩阵预测氨基酸，AntibodyFlow 能够学习 CDR 环的三维几何结构，实验证明 AntibodyFlow 在有效率和几何图形误差方面优于其他基线方法。

    Jun, 2024

  • 用于抗体序列 - 结构协同设计的迭代精化图神经网络

    本文提出了一种基于生成模型的方法来自动设计具有增强的结合特异性或中和能力的抗体的 CDRs。该方法系统地利用了序列和三维结构之间的关系，并在设计中具有更高的效率和灵活性，最终成功设计出能够中和 SARS-CoV-2 病毒的抗体。

    Oct, 2021

  • 蛋白复合物不变嵌入与交叉门多层感知器是一种一次性抗体设计工具

    本文提出了一种深度生成模型，可在一次试验中协同设计抗体 CDR 的一维序列和三维结构，并通过广泛实验证明其性能优于现有方法。

    Apr, 2023

  • ABodyBuilder3: 改良和可扩展的抗体结构预测

    基于 ImmuneBuilder，我们介绍了 ABodyBuilder3，一种改进和可扩展的抗体结构预测模型，通过利用语言模型嵌入，实现了 CDR 环的建模中的最新准确性，并展示了通过仔细的松弛策略进一步改进预测结构的方法。最后，我们将预测的局部距离差异测试结合到模型输出中，以便更准确地估计不确定性。

    May, 2024

  • 利用深度学习进行抗体序列设计的逆折叠

    给定 3D 结构信息，我们提出了一种经过精调的逆折叠模型，专门针对抗体结构进行优化，在抗体中的序列恢复和结构鲁棒性方面超越通用蛋白质模型，尤其在高变性 CDR-H3 环上改进显著。我们研究了互补决定区的规范构象，发现将这些环编码到已知簇中的方法有所改进。最后，我们考虑了我们模型在药物发现和结合物设计方面的应用，并利用基于物理的方法评估了所提出序列的质量。

    Oct, 2023

  • 抗体结构 - 序列共设计的分层训练方法

    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

  • 基于条件的抗体设计作为三维等变图形翻译

    本文提出了多通道等变注意力网络（MEAN）用于抗体设计，通过导入目标抗原和抗体的轻链等组件，将抗体设计公式化为条件图转换问题，并采用 E (3)- 等变信息传递和建议的注意力机制来更好地捕捉不同组件之间的几何关系，最终通过多轮渐进式全射法输出了 1D 序列和 3D 结构，相对于先前的自回归方法，我们的方法在序列和结构建模、抗原结合 CDR ，结合亲和力优化等方面的表现显著优于现有的最先进模型，特别是在抗原结合 CDR 设计和亲和力优化方面表现出了约 23% 和 34% 的相对改进。

    Aug, 2022

  • 抗体 CDRH3 设计的稳定的在线和离线强化学习

    该研究引入了一种新颖的增强学习方法，专门针对抗体设计领域的独特挑战，展示出其能够学习在体内或离线数据集中设计高亲和力抗体的能力，为个体疾病如癌症等复杂疾病的靶向抗体疗法的发展提供了新的途径。

    Nov, 2023

  • TransCDR: 通过迁移学习和多模态数据融合增强癌症药物反应预测的广泛适用性的深度学习模型

    精准医学中，准确且稳健的药物反应预测至关重要。我们引入 TransCDR，利用迁移学习学习药物表示，并通过自注意机制融合药物和细胞系的多模态特征，预测细胞系对药物的 IC50 值或敏感状态。TransCDR 在预测上显示出比 8 种最先进模型更好的泛化能力，通过在不同情景下从头训练药物编码器的 5 个变体（即 RNN 和 AttentiveFP），TransCDR 的表现也超越其它模型。Extended Connectivity Fingerprint 和基因突变是多种药物标记和组学特征中最关键的贡献因素。此外，基于注意力的融合模块进一步增强了 TransCDR 的预测性能。在 GDSC 数据集上训练的 TransCDR 在外部测试集 CCLE 上表现出强大的预测性能。同时，我们还通过将 TCGA 的 7,675 名患者分类为药物敏感组和药物耐药组，进行基因集富集分析来研究药物反应的生物机制。TransCDR 是一种强大的工具，在药物反应预测中具有重要潜力。源代码和数据可在此 URL 中访问。

    Nov, 2023