Antigen-Specific Antibody Design via Direct Energy-based Preference Optimization

要約

抗体設計は、治療学や生物学などのさまざまな分野に重大な影響を与える重要なタスクですが、その複雑な性質によりかなりの課題が生じます。
この論文では、合理性と機能性の両方を考慮して、タンパク質の配列と構造の共設計問題として抗原特異的な抗体の設計に取り組みます。
抗体の相補性決定領域（CDR）の配列と構造を等変ニューラルネットワークでモデル化する事前トレーニング済みの条件付き拡散モデルを活用し、合理的な構造と十分な結合の両方を備えた抗体の生成を導く、エネルギーベースの直接的な優先最適化を提案します。
与えられた抗原に対する親和性。
私たちの方法には、残差レベルで分解されたエネルギー優先度を使用して、事前トレーニングされた拡散モデルを微調整することが含まれます。
さらに、引力や反発力など、さまざまな種類のエネルギー間の矛盾に対処するために勾配手術を採用しています。
RAbD ベンチマークの実験では、私たちのアプローチが生成された抗体のエネルギーを効果的に最適化し、低い総エネルギーと高い結合親和性を備えた高品質の抗体の設計において最先端のパフォーマンスを達成することを示し、私たちのアプローチの優位性を実証しています。

要約(オリジナル)

Antibody design, a crucial task with significant implications across various disciplines such as therapeutics and biology, presents considerable challenges due to its intricate nature. In this paper, we tackle antigen-specific antibody design as a protein sequence-structure co-design problem, considering both rationality and functionality. Leveraging a pre-trained conditional diffusion model that jointly models sequences and structures of complementarity-determining regions (CDR) in antibodies with equivariant neural networks, we propose direct energy-based preference optimization to guide the generation of antibodies with both rational structures and considerable binding affinities to given antigens. Our method involves fine-tuning the pre-trained diffusion model using a residue-level decomposed energy preference. Additionally, we employ gradient surgery to address conflicts between various types of energy, such as attraction and repulsion. Experiments on RAbD benchmark show that our approach effectively optimizes the energy of generated antibodies and achieves state-of-the-art performance in designing high-quality antibodies with low total energy and high binding affinity, demonstrating the superiority of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google