arXiv· Anisha Parsan; Sebastian Ober; Calvin McCarter; Nick Bhattacharya; Hunter Elliott·· 14 天前AI 评分46
面向实验室在环抗体优化的生成先验概率引导
Probabilistic Steering of Generative Priors for Lab-in-the-Loop Antibody Optimization
AI 导读
研究提出一种概率引导方法,将生成式发现模型平滑过渡到迭代优化,用于实验室在环抗体优化。该方法以概率代理模型的后验不确定性,引导基于结构的先验与湿实验监督之间的交接。在低 N 场景下,该方法提升了优化效率,并改善了优化分子的多样性。
预印本 · arxiv · 2611.03844
本站摘要基于收录版本 v1(2026-11-04),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
摘要 · AI 翻译
治疗性抗体的开发通常被划分为两个独立的阶段:首先是发现新型结合体,随后通过迭代优化将这些命中分子打磨成治疗级分子。模型和方法往往也对应这两个阶段,生成式结构模型用于发现阶段,概率性黑箱优化方法用于精修阶段。在此,我们提出通过将生成式发现模型平滑过渡到迭代优化来统一这两个阶段,使基于结构的先验与湿实验数据监督之间的交接由概率代理模型的后验不确定性来引导。我们证明,这在低 N 场景下提升了优化效率,同时也改善了优化后分子的多样性。
来源:arXiv · arxiv.org