SARS-CoV-2 相互作用数据集与 VHH 序列语料库用于抗体语言模型
机器学习
2024-10-17 v3 基因组学
摘要
抗体是免疫系统产生的关键蛋白，用于消除有害外物质，已成为治疗人类疾病的关键疗法。为加速抗体疗法的发现，越来越多的人关注构建抗体序列的语言模型。然而，由于缺乏标记数据集，尚未充分评估预训练语言模型在抗体发现中的适用性。为克服这些限制，我们引入了 AVIDa-SARS-CoV-2，一个包含来自两只接种了 SARS-CoV-2 刺突蛋白的骆驼产生的抗体-可变重链 (VHH) 相互作用数据的数据集。AVIDA-SARS-CoV-2 包括指示不同 VHH 序列与 12 种 SARS-CoV-2 突变体（如 Delta 和 Omicron 变体）结合或不结合的二元标签。此外，我们发布了 VHHCorpus-2M，包含超过 200 万 VHH 序列的预训练数据集，用于抗体语言模型。我们报告了使用在 VHHCorpus-2M 上预训练的 VHHBERT 以及现有通用蛋白和抗体特定预训练语言模型预测 SARS-CoV-2-VHH 结合的基准结果。这些结果确认 AVIDa-SARS-CoV-2 为评估抗体语言模型在结合预测中的表示能力提供了有价值的基准，促进了基于 AI 的抗体发现。数据集可在 https://datasets.cognanous.com 提供。
关键词
引用
@article{arxiv.2405.18749,
title = {A SARS-CoV-2 Interaction Dataset and VHH Sequence Corpus for Antibody Language Models},
author = {Hirofumi Tsuruta and Hiroyuki Yamazaki and Ryota Maeda and Ryotaro Tamura and Akihiro Imura},
journal= {arXiv preprint arXiv:2405.18749},
year = {2024}
}