arXiv:2602.18982v2 Тип объявления: замена-кросс Аннотация: Распространенные подходы глубокого обучения для инженерии антител сосредоточены на моделировании маргинального распределения последовательностей. Однако, рассматривая последовательности как независимые выборки, эти методы игнорируют созревание аффинности как богатый и в значительной степени неиспользованный источник информации об эволюционном процессе, посредством которого антитела исследуют лежащий в основе ландшафт приспособленности. В отличие от этого, классические филогенетические модели явно представляют эволюционную динамику, но им не хватает выразительности для описания сложных эпистатических взаимодействий. Мы преодолеваем этот пробел с помощью CoSiNE, цепи Маркова непрерывного времени, параметризованной глубокой нейронной сетью. Математически мы доказываем, что CoSiNE обеспечивает приближение первого порядка к трудноразрешимому процессу последовательной точечной мутации, описывая эпистатические эффекты с погрешностью, квадратичной по длине ветви. Эмпирически CoSiNE превосходит современные языковые модели в прогнозировании эффектов вариантов с нулевым количеством примеров, явно разделяя селекцию и контекстно-зависимую соматическую гипермутацию. Наконец, мы представляем Guided Gillespie — схему выборки, управляемую классификатором, которая направляет работу CoSiNE во время вывода, позволяя эффективно оптимизировать сродство связывания антител к конкретным антигенам.
Источник: arxiv.org
