Sep, 2023

基于人工智能的 B 细胞免疫疗法设计

PDF
TL;DR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。
antibodiesmachine learningimmunotherapy designepitope predictionprotein structures
发现论文，激发创造
  • 神经信息传递用于联合抗体结合部位 - 表位预测

    通过使用不同的神经消息传递架构，针对抗体的不同特定方面进行预测，我们改进了抗体中的帕拉图普和表位预测，并恢复了有利的定量预测结果。

    May, 2021

  • 关注交叉模态抗原表位预测

    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

  • BeeTLe: 用于线性 B 细胞表位预测与分类的框架

    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

  • 抗体发现与开发中的机器学习最佳实践

    过去 40 年来，治疗抗体的发现和开发已经变得司空见惯。然而，随着治疗抗体构造变得更复杂（例如多样性抗体），常规的优化方法日益低效。机器学习承诺开辟一条使用较少实验和成本的计算模拟路径来加速药物产品的发现和开发。本文对当前的做法进行了批判性评论，解释了常见陷阱，并明确了一组方法开发和评估指南，可应用于治疗抗体发现与开发的不同类型的机器学习技术。

    Dec, 2023

  • 大规模配对抗体语言模型

    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

  • 通过直接基于能量的偏好优化进行抗原特异性抗体设计

    通过使用预先训练的条件扩散模型和等变神经网络，我们提出了直接基于能量偏好优化的方法来指导特定抗原的抗体生成，以获得具有合理结构和显著结合亲和力的抗体设计，实验证明了我们方法在优化抗体能量和提高结合亲和力方面的卓越性能。

    Mar, 2024

  • 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

  • 利用语言模型和弱监督学习揭示抗体亲和力成熟

    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

  • 评估零射击评分模型对体外抗体结合预测的实验验证

    基于 AI 的抗体设计协议在生成特异性结构方面表现出潜力，然而，在识别可在体外结合的候选序列方面仍存在困难，综合成绩方法更为稳健，零样本过滤器的开发是一个重要的研究领域。

    Dec, 2023

  • 面向性质指导的抗体设计的 AntiBARTy 扩散

    通过训练一种基于 BART 的抗体特异性语言模型 AntiBARTy，本研究利用其潜在空间来训练一种属性条件扩散模型，以进行引导 IgG 全新设计，从而有效生成具有改善的计算机辅助溶解度和控制序列多样性的新型抗体。

    Sep, 2023