論文タイトル
SimBinder-IF: Structure-Aware Antibody Affinity Optimization via Efficient Preference Learning
出典
Just a moment...
academic.oup.com
要旨
SimBinder-IFは、タンパク質言語モデル（ESM-IF）にPreference Learning（SimPO）を導入し、抗体の結合親和性が高い配列を優先して学習するモデルです。
解説など
本研究では、
- 抗体・抗原複合体の3次元構造を利用しながら
- 高親和性抗体を優先的に学習できる
- しかも大規模な再学習を必要としない
というモデル SimBinder-IF を提案しています。
どのような手法なのか
ベースモデルには ESM-IF (Evolutionary Scale Modeling Inverse Folding) を採用しています。
ESM-IFは、
「タンパク質の3次元構造から、その構造に適したアミノ酸配列を予測する」
Inverse Foldingモデルです。
SimBinder-IFでは、このモデルをそのまま学習し直すのではなく、
- 構造情報を扱うStructure Encoderは固定
- 配列を生成するDecoderのみを更新
という設計になっています。
Preference Learning（SimPO）とは
本研究の最大の特徴は、Simple Preference Optimization（SimPO） を利用している点です。
SimPOでは、
- 結合親和性が高い抗体
- 結合親和性が低い抗体
というペアを入力し、高親和性抗体の方が高いスコアになるように学習します。
どのように評価したのか
評価にはAbBiBenchデータセットを使用しています。
学習には6種類の抗体・抗原複合体を用い、評価では学習に含まれていない7種類の複合体（合計93,477変異体）で性能を確認しています。
得られた結果
論文では、
- 平均Spearman相関が 0.26から0.32へ数値上改善（約22%向上）
- 7種類中5種類の評価セットでESM-IFを上回った
と報告されています。
Lab-in-the-Loopでの利用も考えられますが、本文では学習データと同じ抗体・抗原ペアでの予測性能は評価されていません。
プログラムコード
GitHub - MSBMI-SAFE/SimBinder-IF
Contribute to MSBMI-SAFE/SimBinder-IF development by creating an account on GitHub.
github.com
