差異抗體XL：

作者：Talip Ucar ([email protected])

DiffAbXL 的實作在論文中進行了基準測試：Exploring Log-Likelihood Scores for Ranking Antibody Sequence Designs。

請注意，論文最初的標題是“抗體設計的基準生成模型”，但我們決定對其進行更改以更好地突出其核心貢獻。
這是原始作品 DiffAb 的重新實現：[論文和代碼]

目前排行榜

秩	型號	HER2 脫落細胞		自然		AZ目標2	大街？
秩	型號	零射擊	SPR控制	赫爾	HER2	AZ目標2	大街？
1	DiffAbXL-A-DN	0.43	0.22	0.62	0.37	0.41	0.41
2	DiffAbXL-A-SG	0.46	0.22	0.64	-0.38	0.43	0.274
3	DiffAbXL-H3-DN	0.49	0	0.52	-0.08	0.37	0.26
4	IgBlend（僅結構體）	0.40	0.21	0.54	-0.30	0.31	0.232
5	反褶皺	0.43	0.22	0.4	-0.47	0.38	0.192
6	DiffAbXL-H3-SG	0.48	0	0.4	-0.41	0.29	0.152
7	環境管理署	0.29	0	0	0.18	0.27	0.148
8	差異抗體	0.34	0.21	0	-0.14	0.22	0.126
9	抗體語言2	0.3	0	0	-0.07	0.36	0.118
10	IgBlend（僅限序列）	0.27	0	0	-0.1	0.36	0.106
11	阿布朗	0.3	0	0	-0.13	0.35	0.104
12	迪均值	0.37	0.15	0	0	0	0.104
13	抗體X	0.28	0.19	0	0	0	0.094
14	抗伯特	0.26	0	0	-0.17	0.35	0.088
15	意思是	0.36	0	0	0.02	0	0.076
16	ESM-IF	0	-0.27	0	-0.53	0.42	-0.076

註 1：平均。指五個資料集的平均 Spearman 相關性。上面的排行榜是基於五個目標資料集，將零分分配給未表現出統計顯著相關性或不適合分數計算（例如，需要抗原）的模型。
註 2：這項工作中的對數似然分數是使用簡單的方法計算的，如論文中公式 11 所述，以保持模型之間的一致性。然而，值得注意的是，存在用於計算這些分數的更有原則的方法，這些方法可能會根據模型類型（例如，自回歸與掩碼語言模型）而有所不同。我們計劃在未來的工作中研究這些替代方法。

基準測試結果

1- DiffAbXL 的對數似然與不同目標的結合親和力之間的相關性

結果-1

圖 1：DiffAbXL 結果： a) Absci 零樣本 HER2 資料的 DiffAbXL-H3-DN b) AZ Target-2 的 DiffAbXL-A-SG， c) Nature HEL 的 DiffAbXL-A-SG， d) DiffAbXL- Nature HER2 的A-DN。

2- 比較基於擴散、基於 LLM 和基於圖的模型

結果-2

表 1： Spearman 相關性結果摘要。縮寫：DN：De Novo 模式，SG：結構指導模式，NA：需要表位或複雜結構，但不可用。 *、**、*** 分別表示 p 值低於 0.05、0.01 和 1e-4。

如何建立基準測試模型的介面

為了使我們更容易對您的模型進行基準測試，我們建議您在類別中將介面實作為 Python 方法，以便我們可以輕鬆地與我們的評估管道整合。此方法應接受以下輸入：

抗體序列：抗體序列列表。
可選結構資訊：如果適用，與序列相關的結構資料（即PDB檔案）。
其他特定於模型的參數：模型需要的任何其他輸入。

此方法應傳回一個包含以下內容的字典：

對數似然評分：用於根據預測的結合親和力對抗體序列進行排序。
其他相關指標：例如 RMSD、pAE 或您認為相關的任何特定於模型的輸出。

以下是用於實作此介面的 Python 基本範本：

    def benchmark ( self , sequences , structure = None , mask = None , ** kwargs ):
        """
        Benchmark the model on provided antibody sequences and structures.

        Parameters:
        sequences (list of str): List of antibody sequences.
        structure (optional): Path to a PDB file. Currently, only one PDB file is provided per target dataset.
                              The PDB file may contain either just the antibody or an antibody-antigen complex,
                              depending on the dataset.
        mask (optional): Binary list or array indicating the regions of interest in the sequences for metric calculations.
        kwargs (optional): Additional parameters required by the model.

        Returns:
        dict: A dictionary containing log-likelihood scores and other relevant metrics.
        """
        pass

請確保您的模型以我們可以直接用於基準抗體序列設計的格式輸出對數似然分數。這將幫助我們有效地比較您的模型在我們的資料集中的表現。

訓練

有一個設定檔：sabdab.yaml，可用於變更任何參數。您可以使用以下方法訓練模型：

 python train.py # For training.

回購協議的結構

- 火車.py

- 原始碼
    |-model.py
    
- 配置
    |-sabdab.yaml
    
- 實用程式
    |-load_data.py
    |-arguments.py
    |-model_utils.py
    |-loss_functions.py
    ……
    
- 數據
    |-her2
    ……

實驗追蹤

權重和偏差可用於追蹤實驗。預設情況下它是關閉的，但可以透過更改./config/sabdab.yaml中設定檔中的選項來開啟

引用論文

 @article {Ucar2024.10.07.617023,
	author = {Ucar, Talip and Malherbe, Cedric and Gonzalez Hernandez, Ferran},
	title = {Exploring Log-Likelihood Scores for Ranking Antibody Sequence Designs},
	elocation-id = {2024.10.07.617023},
	year = {2024},
	doi = {10.1101/2024.10.07.617023},
	publisher = {Cold Spring Harbor Laboratory},
	URL = {https://www.biorxiv.org/content/early/2024/10/24/2024.10.07.617023},
	eprint = {https://www.biorxiv.org/content/early/2024/10/24/2024.10.07.617023.full.pdf},
	journal = {bioRxiv}
}

引用這個倉庫

如果您在自己的研究和工作中使用 DiffAbXL，請使用以下內容引用它：

 @Misc{talip_ucar_2024_DiffAbXL,
	author =   {Talip Ucar},
	title = {Exploring Log-Likelihood Scores for Ranking Antibody Sequence Designs},
	URL = {https://github.com/AstraZeneca/DiffAbXL},
	month = {October},
	year = {since 2024}
}

展開

附加信息