抗体 DomainBed：治疗性蛋白设计中的外分布 generalization
生物大分子
2024-08-01 v1 机器学习
摘要
机器学习（ML）在加速药物设计方面显示出巨大的潜力。主动的 ML 指导的治疗性分子优化通常依赖于预测感兴趣目标属性的代理模型。模型预测用于确定下一轮实验中要评估的哪些设计，以及模型在新的测量结果上更新以提供下一轮决策。一个关键挑战是，每一轮实验的反馈都会导致下一轮候选提议或实验方案的变化，这会导致分布迁移。为了对抗这些迁移，我们必须在模型训练中显式地考虑它们。我们应用 domain generalization（DG）方法对抗体与抗原之间相互作用的稳定性进行分类，这些相互作用跨越由设计循环定义的五个 domain。我们的结果表明，基础模型和集成方法在外分布 domain 上提高了预测性能。我们公开了我们的 codebase 扩展 DG benchmark ``DomainBed''，以及与设计循环中分布迁移相关的抗体序列和结构数据集。
引用
@article{arxiv.2407.21028,
title = {Antibody DomainBed: Out-of-Distribution Generalization in Therapeutic Protein Design},
author = {Nataša Tagasovska and Ji Won Park and Matthieu Kirchmeyer and Nathan C. Frey and Andrew Martin Watkins and Aya Abdelsalam Ismail and Arian Rokkum Jamasb and Edith Lee and Tyler Bryson and Stephen Ra and Kyunghyun Cho},
journal= {arXiv preprint arXiv:2407.21028},
year = {2024}
}