벼랑끝 바이오 매드 컴퓨터 사이언티스트

https://arxiv.org/abs/2301.12597 BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language ModelsThe cost of vision-and-language pre-training has become increasingly prohibitive due to end-to-end training of large-scale models. This paper proposes BLIP-2, a generic and efficient pre-training strategy that bootstraps vision-language pre-training from oarxiv.o..

https://arxiv.org/abs/2403.12532 UniBind: LLM-Augmented Unified and Balanced Representation Space to Bind Them AllWe present UniBind, a flexible and efficient approach that learns a unified representation space for seven diverse modalities -- images, text, audio, point cloud, thermal, video, and event data. Existing works, eg., ImageBind, treat the image as the centraarxiv.org UniBind는 Image와 Te..

https://doi.org/10.48550/arXiv.2505.23579 BioReason: Incentivizing Multimodal Biological Reasoning within a DNA-LLM ModelUnlocking deep and interpretable biological reasoning from complex genomic data remains a major AI challenge limiting scientific progress. While current DNA foundation models excel at representing sequences, they struggle with multi-step reasoning and lackarxiv.org DNA Foundat..

Instead of running the main.py executable file located in the root of the AttAbSeq GitHub repository, you must run the main_AB___.py file located in the crossvalid/script/ directory.On line 10 of the script, the import statement from model import * must be changed. It should be modified to import from the corresponding model_AB___.py file, which is also located inside the crossvalid/script/ dire..

내 질문:실적으로 FR과 CDR Codesign하는 생성모델이 가능할것같아? 내가보기엔 데이터가 너무 적어서 학습하기 너무 어려울 것 같고, FR생성하는 모델 따로, CDR을 생성하는 모델을 따로 이용해서 두 모델이 생성한 구조를 Grafting하는 방법을 고안하고싶은데 이건 어떨까? ChatGPT의 대답:좋은 아이디어예요. 결론부터 말하면,FR+CDR 동시(co-design) 생성은 원리상 가능하지만, 데이터 희소성/라벨 부정확성 때문에 “바로 실전”은 어렵습니다.FR 모델과 CDR 모델을 분리해 각각의 강점을 살린 뒤, 가상 접목(grafting)과 강력한 사후-필터링으로 합치는 전략은 현실적이고 효과적인 트레이드오프입니다.더 나아가, 분리-생성+가교(graft) 파이프라인에 **약한 결합(soft ..

IMGT numbering system항체의 IMGT 구조는 다음과 같이 되어있음 (아래 그림 참고)A - B - BC Loop(CDR1)- C - C'- C'C'' Loop(CDR2) - C''- D - E - F - FG Loop(CDR3) - G Figure 1에 나타난 서로다른 구조들은 다음을 의미한다.초록색 선 : hydrogen bond를 형성하는 부분굵은 빨간색 아미노산 : Conserved AA Residues하늘색 배경색 : Hydrophobic AA Residue들이 50%이상 발견되는 부분들네모 : IMGT anchor (구조 경계)빗금 동그라미 : GapIMGT numbering system이 적용된 Ab들은 다음과 같은 특징들이 highly conserved 되어있다.1st-CYS..

논문 제출할 때 리뷰어 지정을 요구하는 저널들이 많아서 논문 읽으면서 관련분야 전문가라고 생각되는 분들, 논문 잘쓴다고 생각하는 분들은 저장해두는 편이 좋겠다고 생각이 들어서 작성하는 공간. Antigen-Antibody Interaction (AAI) predictionDeepInterAware : Yuhang Xia, Zhiwei Wang, Feng Huang, Zhankun Xiong, Yongkang Wang, Minyao Qiu, and Wen Zhang* Antibody Generation ModelArtificial intelligence-driven computational methods for antibody design and optimization : 김호민 교수님, 차미영 교수님 ..

https://biomadscientist.tistory.com/185 DeepInterAware 논문 리뷰 (1) 모델 구조https://pmc.ncbi.nlm.nih.gov/articles/PMC11967782/ DeepInterAware: Deep Interaction Interface‐Aware Network for Improving Antigen‐Antibody Interaction Prediction from SequenceAbstract Identifying interactions between candidate antibodies and target antbiomadscientist.tistory.com이 논문 배울점이 많다. 모델 설명도 구체적이고 아이디어도 뭐 엄청나게 신박하지는 않지만..

https://pmc.ncbi.nlm.nih.gov/articles/PMC11967782/ DeepInterAware: Deep Interaction Interface‐Aware Network for Improving Antigen‐Antibody Interaction Prediction from SequenceAbstract Identifying interactions between candidate antibodies and target antigens is a key step in developing effective human therapeutics. The antigen–antibody interaction (AAI) occurs at the structural level, but the lim..

https://academic.oup.com/bib/article/25/4/bbae304/7705533서열 기반의 Antigen-Antibody Affinity change prediction 모델 Introduction매번 나오는 똑같은 Ab 이야기, 항체가 therapeutics에 효율적이다...specificity가 좋고 toxicity가 낮고 strong한 효과를 보인다...그러나 이런 Ab를 찾는데 기존 wet-lab 기반으로는 많은 시간과 돈을 들여야하는 단점이 있다.찾아야하는 sequence space가 너무 넓어서 wet-lab기반으로는 한계가 있다. 그러니 computational method가 필요하고 실제로 ML기반의 method들이 유망한 결과를 보였다 등 ..항체 최적화는 solu..