ABodyBuilder3: Масштабируемая и точная модель для прогнозирования структуры антител

Точное прогнозирование структуры антител является ключевым для разработки моноклональных антител, играющих важную роль в иммунных реакциях и терапевтических применениях. Антитела имеют две тяжелые и две легкие цепи, а их переменные области содержат шесть петель CDR, критически важных для связывания с антигенами. Петля CDRH3 представляет наибольшую сложность из-за своего разнообразия. Традиционные экспериментальные методы определения структуры антител часто медленны и затратны. В результате вычислительные методы, такие как IgFold, DeepAb, ABlooper, ABodyBuilder и новые модели, такие как xTrimoPGLMAb, становятся эффективными инструментами для точного прогнозирования структуры антител.

Разработка ABodyBuilder3

Исследователи из Exscientia и Университета Оксфорда разработали ABodyBuilder3, усовершенствованную модель для прогнозирования структуры антител. Новая модель улучшает точность прогнозирования петель CDR за счет интеграции встраивания языковой модели. ABodyBuilder3 также улучшает прогнозирование структуры с помощью улучшенных техник релаксации и вводит тест локального различия расстояний (pLDDT) для более точной оценки неопределенностей. Ключевые улучшения включают обновления кураторства данных, представление последовательностей и процессы уточнения структуры. Эти усовершенствования делают ABodyBuilder3 масштабируемым решением для точной оценки множества терапевтических кандидатов антител.

Улучшение моделирования структуры антител

Для улучшения моделирования структуры антител исследователи разработали более эффективную и масштабируемую версию ABodyBuilder2, интегрируя векторизацию и оптимизации из OpenFold. Используя смешанную точность и bfloat16 для обучения, им удалось достичь более чем в три раза более быстрого выполнения и эффективного использования памяти. Обучаясь на структурной базе данных антител (SAbDab), они фильтровали выбросы, ультрадлинные петли CDRH3 и структуры низкого разрешения для уточнения своего набора данных. Они использовали большой набор проверки и тестирования, сфокусированный на человеческих антителах, чтобы улучшить устойчивость модели. Стратегии уточнения с использованием OpenMM и YASARA улучшили точность структуры, особенно в рамочной области антител, приводя к значительным улучшениям по сравнению с ABodyBuilder2.

Использование языковой модели и оценка неопределенности

Для улучшения моделирования структуры антител исследователи заменили кодирование one-hot в ABodyBuilder2 встраиваниями из языковой модели ProtT5, которая предварительно обучена на миллиардах последовательностей белков. Они создали отдельные встраивания для тяжелых и легких цепей и объединили их для полной переменной области. Хотя они тестировали антителоспецифические модели, такие как IgT5 и IgBert, общие языковые модели для белков показали себя лучше, вероятно, избегая проблем, таких как загрязнение набора данных и переобучение. Используя ProtT5, они установили более низкую начальную скорость обучения и настроили планировщик скорости обучения для стабильности. Новая модель, ABodyBuilder3-LM, показала сниженное значение RMSD, особенно для петель CDRH3 и CDRL3.

Оценка неопределенности в прогнозировании структуры антител

ABodyBuilder3 заменяет подход на основе ансамбля уверенности ABodyBuilder2 оценками lDDT-Cα на каждый аминокислотный остаток, используемыми в AlphaFold2. Этот метод, который предсказывает точность непосредственно из одной модели, значительно снижает вычислительные затраты. Оценка pLDDT рассчитывается путем проецирования предсказаний на уровне остатков в корзины с помощью нейронной сети, а затем сравнения их с эталонными структурами. Этот подход улучшает корреляцию между предсказанной неопределенностью и RMSD, особенно с встраиваниями ProtT5. Оценки pLDDT модели эффективно предсказывают точность областей CDR, с высокими оценками, указывающими на более низкое значение RMSD в ключевых областях, таких как CDRH3.

В заключение

ABodyBuilder3 – это усовершенствованная модель прогнозирования структуры антител, основанная на ABodyBuilder2, с ключевыми улучшениями для улучшенной масштабируемости и точности. Модель достигает лучшей производительности путем оптимизации использования аппаратного обеспечения и улучшения методов обработки данных и прогнозирования структуры. Внедрение встраивания языковой модели, особенно для области CDRH3, и использование оценок pLDDT для оценки неопределенности заменяют необходимость в вычислительно интенсивных ансамблевых моделях. В будущем можно исследовать самодистилляционные методики и предварительное обучение на синтетических наборах данных для улучшения точности прогнозирования. Кроме того, объединение pLDDT с ансамблевыми подходами может улучшить результаты, несмотря на более высокие вычислительные требования.

Проверьте статью. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter. Присоединяйтесь к нашему каналу в Telegram, группе в Discord и LinkedIn.

Если вам нравится наша работа, вам понравится наша рассылка.

Не забудьте присоединиться к нашему сообществу в Reddit.

Источник: MarkTechPost

Использование ABodyBuilder3 для вашего бизнеса

Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте ABodyBuilder3: A Scalable and Precise Model for Antibody Structure Prediction.

Как ИИ может изменить вашу работу

Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.

Ключевые показатели эффективности (KPI)

Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.

Постепенное внедрение ИИ

Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI. На полученных данных и опыте расширяйте автоматизацию.

Если вам нужны советы по внедрению ИИ, пишите нам на Telegram.

Попробуйте ИИ ассистент в продажах здесь. Этот ИИ ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.

Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.ru.