基于循环特异性注意力的多任务学习用于 CDR 结构预测
机器学习
2023-06-23 v1
摘要
抗体工程中互补决定区（CDR）环的结构预测已受到研究者的广泛关注。在设计抗体时，一个主要挑战是预测 H3 环的 CDR 结构。由于长度多变且结构灵活，与其他 CDR 环（即 H1 与 H2 环）相比，H3 环的 CDR 结构更具挑战性。本文提出一种带循环特异性注意力的多任务学习模型，即 MLSA。具体而言，据我们所知，我们首次通过一种新颖的多任务学习策略联合学习三个 CDR 环。此外，为考虑三个 CDR 环在结构与功能上的异同，我们提出一种循环特异性注意力机制来控制各 CDR 环对 MLSA 训练的影响。在广泛使用的基准数据上的实验评估表明，与其他基线策略相比，所提 MLSA 方法将 H3 环 CDR 结构的预测误差显著降低至少 19%。最后，为便于复现，我们将 MLSA 的实现公开于 https://anonymous.4open.science/r/MLSA-2442/。
引用
@article{arxiv.2306.13045,
title = {Multi-Task Learning with Loop Specific Attention for CDR Structure Prediction},
author = {Eleni Giovanoudi and Dimitrios Rafailidis},
journal= {arXiv preprint arXiv:2306.13045},
year = {2023}
}
备注
8 pages