Nativeness-constrained diffusion framework for nanobody design
Notice bibliographique
Résumé
Abstract Aim Nanobodies are single-domain antibodies with promising therapeutic potential, yet accurate complementarity-determining region (CDR) design remains challenging. Methods Existing diffusion-based frameworks such as DiffAb[1] and RFantibody[2] typically generate CDR sequences on fixed scaffolds by enforcing structural and physical constraints, but they neglect evolutionary information intrinsic to antibody repertoires. We propose a scaffold-constrained diffusion framework that integrates a nativeness prior, guiding generation toward sequences that are not only structurally consistent but also evolutionarily plausible. Results By incorporating nativeness-aware constraints during design, our model produces nanobody candidates that better balance physical compatibility with natural repertoire characteristics, achieving improved sequence realism and developability. Conclusion This approach provides a new computational strategy for antibody engineering, enabling more realistic and efficient nanobody design. References 1. Luo S., Su Y., Peng X., Wang S., Peng J., Ma J. ‘Antigen-specific antibody design and optimization with diffusion-based generative models for protein structures.’ Advances in Neural Information Processing Systems 2022. 2. Bennett N.R., Watson J.L., Ragotte R.J., Borst A.J., See D.L., Weidle C., Biswas R., Shrock E.L., Leung P.J.Y., Huang B., Goreshnik I., Ault R., Carr K.D., Singer B., Criswell C., Vafeados D., Garcia Sanchez M., Kim H.M., Vázquez Torres S., Chan S., Baker D. ‘Atomically accurate de novo design of single-domain antibodies.’ bioRxiv 2024.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».