Multi-Task Learning with Loop Specific Attention for CDR Structure Prediction

要約

抗体工学におけるループの相補性決定領域 (CDR) 構造予測は、研究者の間で大きな注目を集めています。
抗体を設計する際の主な課題は、H3 ループの CDR 構造を予測することです。
他の CDR ループ、つまり H1 ループと H2 ループと比較して、H3 ループの CDR 構造は、長さが異なり、構造が柔軟であるため、より困難です。
この論文では、ループ固有の注意を備えたマルチタスク学習モデル、すなわち MLSA を提案します。
特に、私たちの知る限り、私たちは新しいマルチタスク学習戦略を通じて 3 つの CDR ループを共同学習した最初の者です。
さらに、3 つの CDR ループの構造的および機能的な類似点と相違点を説明するために、MLSA のトレーニングに対する各 CDR ループの影響を制御するループ固有の注意メカニズムを提案します。
広く使用されているベンチマーク データに対する実験的評価では、提案された MLSA 手法が、他のベースライン戦略と比較して、H3 ループの CDR 構造の予測誤差を少なくとも 19% 大幅に低減することが示されています。
最後に、複製を目的として、MLSA の実装を https://anonymous.4open.science/r/MLSA-2442/ で公開します。

要約(オリジナル)

The Complementarity Determining Region (CDR) structure prediction of loops in antibody engineering has gained a lot of attraction by researchers. When designing antibodies, a main challenge is to predict the CDR structure of the H3 loop. Compared with the other CDR loops, that is the H1 and H2 loops, the CDR structure of the H3 loop is more challenging due to its varying length and flexible structure. In this paper, we propose a Multi-task learning model with Loop Specific Attention, namely MLSA. In particular, to the best of our knowledge we are the first to jointly learn the three CDR loops, via a novel multi-task learning strategy. In addition, to account for the structural and functional similarities and differences of the three CDR loops, we propose a loop specific attention mechanism to control the influence of each CDR loop on the training of MLSA. Our experimental evaluation on widely used benchmark data shows that the proposed MLSA method significantly reduces the prediction error of the CDR structure of the H3 loop, by at least 19%, when compared with other baseline strategies. Finally, for reproduction purposes we make the implementation of MLSA publicly available at https://anonymous.4open.science/r/MLSA-2442/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google