Improving Antibody Design with Force-Guided Sampling in Diffusion Models

要約

免疫防御に重要な抗体は、主に相補性決定領域 (CDR) に依存して、ウイルスなどの抗原に結合して中和します。
これらの CDR の設計により、標的に対する抗体の親和性と特異性が決まります。
生成モデル、特にノイズ除去拡散確率モデル (DDPM) は、CDR 領域の構造ベースの設計を前進させる可能性を示しています。
ただし、結合した抗体-抗原構造の限られたデータセットしか利用できず、分布外の界面への一般化は依然として課題です。
原子の相互作用を近似する物理ベースの力場は、ターゲット界面に合わせたより良い成形設計のための大まかではあるが普遍的な情報源を提供します。
したがって、この基本的な情報を拡散モデルに統合することが非常に望ましいのです。
ここでは、力場エネルギーベースのフィードバックを統合することにより、拡散モデルのサンプリング プロセスを強化する新しいアプローチを提案します。
私たちのモデル DiffForce は、力を利用して拡散サンプリング プロセスをガイドし、2 つの分布を効果的にブレンドします。
広範な実験を通じて、私たちの方法がより低いエネルギーでCDRをサンプリングするようにモデルを導き、生成される抗体の構造と配列の両方を強化することを実証します。

要約(オリジナル)

Antibodies, crucial for immune defense, primarily rely on complementarity-determining regions (CDRs) to bind and neutralize antigens, such as viruses. The design of these CDRs determines the antibody’s affinity and specificity towards its target. Generative models, particularly denoising diffusion probabilistic models (DDPMs), have shown potential to advance the structure-based design of CDR regions. However, only a limited dataset of bound antibody-antigen structures is available, and generalization to out-of-distribution interfaces remains a challenge. Physics based force-fields, which approximate atomic interactions, offer a coarse but universal source of information to better mold designs to target interfaces. Integrating this foundational information into diffusion models is, therefore, highly desirable. Here, we propose a novel approach to enhance the sampling process of diffusion models by integrating force field energy-based feedback. Our model, DiffForce, employs forces to guide the diffusion sampling process, effectively blending the two distributions. Through extensive experiments, we demonstrate that our method guides the model to sample CDRs with lower energy, enhancing both the structure and sequence of the generated antibodies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google