ترجمه فارسی مقاله آنتی‌بادی DomainBed: تعمیم خارج از توزیع در طراحی پروتئین درمانی

چکیده

Machine learning (ML) has demonstrated significant promise in accelerating drug design. Active ML-guided optimization of therapeutic molecules typically relies on a surrogate model predicting the target property of interest. The model predictions are used to determine which designs to evaluate in the lab, and the model is updated on the new measurements to inform the next cycle of decisions. A key challenge is that the experimental feedback from each cycle inspires changes in the candidate proposal or experimental protocol for the next cycle, which lead to distribution shifts. To promote robustness to these shifts, we must account for them explicitly in the model training. We apply domain generalization (DG) methods to classify the stability of interactions between an antibody and antigen across five domains defined by design cycles. Our results suggest that foundational models and ensembling improve predictive performance on out-of-distribution domains. We publicly release our codebase extending the DG benchmark “DomainBed,” and the associated dataset of antibody sequences and structures emulating distribution shifts across design cycles.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین (ML) نوید قابل توجهی در تسریع در طراحی دارو نشان داده است.بهینه سازی فعال ML از مولکولهای درمانی به طور معمول به یک مدل جانشین متکی است که خاصیت هدف مورد علاقه را پیش بینی می کند.پیش بینی های مدل برای تعیین کدام طرح برای ارزیابی در آزمایشگاه استفاده می شود و مدل در اندازه گیری های جدید به روز می شود تا چرخه بعدی تصمیمات را آگاه کند.یک چالش مهم این است که بازخورد تجربی از هر چرخه باعث تغییر در پیشنهاد نامزد یا پروتکل تجربی برای چرخه بعدی می شود که منجر به تغییر توزیع می شود.برای ارتقاء استحکام در این تغییرات ، باید آنها را صریحاً در آموزش مدل حساب کنیم.ما روشهای عمومی سازی دامنه (DG) را برای طبقه بندی پایداری تعامل بین یک آنتی بادی و آنتی ژن در پنج حوزه تعریف شده توسط چرخه های طراحی استفاده می کنیم.نتایج ما نشان می دهد که مدل های بنیادی و گروه های بنیادی عملکرد پیش بینی کننده در حوزه های خارج از توزیع را بهبود می بخشند.ما به طور عمومی پایگاه کد خود را گسترش می دهیم که معیار DG “دامنه” ، و مجموعه داده های مرتبط با توالی ها و ساختارهای آنتی بادی را تقلید می کند و تغییرات توزیع را در چرخه های طراحی تقلید می کند.