BOAT：マルチ目的ベイズ最適化による抗体設計のためのインシリコ予測器の海を航行する

arXiv cs.LG / 2026/4/16

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、複数の予測特性を同時に扱うマルチ目的の抗体リード最適化を目的とした、プラグアンドプレイ型のベイズ最適化フレームワーク「BOAT」を提案する。
BOATは、不確実性を考慮した代理モデル化と遺伝的アルゴリズムを組み合わせることで、資源集約的な逐次フィルタリング・パイプラインへの依存を抑えつつ、抗体配列空間を効率的に探索する。
著者らは、マルチ目的のタンパク質最適化において、BOATを遺伝的アルゴリズムや新しい生成学習手法とベンチマークし、最先端アプローチと競争力のある性能を報告する。
本研究は、代理モデル駆動の最適化が高価な生成アプローチに勝りやすい状況を明確化し、配列の次元数およびオラクル（評価）コストに関する実務上の限界を示す。

Abstract

抗体リード最適化は、創薬において本質的に多目的な課題です。異なる薬物様特性のバランスを達成して実行可能な候補を開発することが重要であり、望ましい特性が増えるにつれてこの探索は指数関数的に難しくなります。抗体特性を予測するための洗練されたイン・シリコツールの動物園のように拡大し続ける状況に対して、資源を大きく消費する逐次的なフィルタリングのパイプラインを克服するためには、効率的な共同最適化手順が求められます。我々は、多特性抗体工学のための多用途なベイズ最適化フレームワークであるBOATを提示します。我々の「プラグアンドプレイ」型のフレームワークは、不確実性を考慮したサロゲートモデリングと遺伝的アルゴリズムを結合し、配列空間の効率的な探索を可能にしながら、さまざまな予測抗体特性を共同で最適化します。遺伝的アルゴリズムおよび新しい生成的学習アプローチに対して体系的なベンチマークを行うことで、多目的タンパク質最適化における最先端手法と競争力のある性能を示します。サロゲートに基づく最適化が高価な生成的アプローチを上回る明確な領域を特定し、配列の次元性とオラクル（問い合わせ）コストによって課される実用的な限界を確立します。