ABTrans: A Transformer-based model for predicting interaction between anti-Aß antibodies and peptides
Notice bibliographique
Résumé
Abstract Understanding the recognition of antibodies and Aβ peptide is crucial for the development of more effective therapeutic agents. Here we studied the interaction between anti-Aβ antibodies and different peptides by building a deep learning model, using the dodecapeptide sequences elucidated from phage display and known anti-Aβ antibody sequences collected from public sources. Our multi-classification model, ABTrans was trained to determine the four levels of binding ability between anti-Aβ antibody and dodecapeptide: not binding, weak binding, medium binding, and strong binding. The accuracy of our model reached 0.8278. Using the ABTrans, we examined the cross-reaction of anti-Aβ antibodies with other human amyloidogenic proteins, and we found that Aducanumab and Donanemab have the least cross-reactions with other human amyloidogenic proteins. We also systematically screened all human proteins interaction with eleven selected anti-Aβ antibodies to identify possible peptide fragments that could be an off-target candidate. Key Points ABTrans is a Transformer-based model that was developed for the first time to predict the interaction between anti-Aß antibodies and peptides. ABTrans was trained using a dataset with 1.5 million peptides and 110 anti-Aβ antibodies. ABTrans achieved an accuracy of 0.8278 and is capable of determining the four levels of binding ability between antibody and Aß: not binding, weak binding, medium binding, and strong binding. ABTrans has potential applications in predicting off-target and cross-reactivity effects of antibodies and in designing new anti-Aß antibodies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».