डीप जनरेटिव मॉडलिंग मानव एंटीबॉडी में परिपक्वता-निर्भर पेयरिंग पैटर्न को कैप्चर करती है।

एंटीबॉडी हेवी-लाइट चेन पेयरिंग को समझना इम्यून रिपर्टोयर आर्किटेक्चर को डिकोड करने और चिकित्सीय एंटीबॉडी को डिजाइन करने के लिए महत्वपूर्ण है, फिर भी अधिकांश अनुक्रम डेटाबेस में पेयर्ड चेन जानकारी का अभाव है। इस अंतर को दूर करने के लिए, हमने एक दो-चरणीय डीप लर्निंग फ्रेमवर्क विकसित किया। ट्रांसफॉर्मर-आधारित लैंग्वेज मॉडल्स को पहले अनपेयर्ड हेवी- और लाइट-चेन अनुक्रमों के बड़े कॉर्पोरा पर प्री-ट्रेन किया गया, फिर हेवी चेन इनपुट से लाइट चेन उत्पन्न करने के लिए एक सीक्वेंस-टू-सीक्वेंस मॉडल में एकीकृत किया गया। यद्यपि नेटिव लाइट चेन रिकवरी मध्यम थी, उत्पन्न अनुक्रमों ने उच्च जर्मलाइन पहचान, बेहतर संरचनात्मक गुणवत्ता और व्यापक फ्रेमवर्क और कॉम्प्लिमेंटेरिटी-डिटरमाइनिंग रीजन कवरेज का प्रदर्शन किया। मेमोरी B सेल्स की हेवी चेन्स ने अधिक सीमित V जीन उपयोग के साथ लाइट चेन्स उत्पन्न कीं, जो परिपक्वता-निर्भर चयन को दर्शाती हैं। उत्पन्न κ लाइट चेन्स ने एक ट्राइमोडल समानता वितरण प्रदर्शित किया, जो प्रोमिसक्यूअस से लेकर अत्यधिक विशिष्ट तक विभिन्न कार्यात्मक पेयरिंग मोड को दर्शाता है। हमारा दृष्टिकोण यह प्रदर्शित करता है कि सीक्वेंस-टू-सीक्वेंस मॉडलिंग इंटर-चेन निर्भरताओं को उजागर कर सकती है और संभावित एंटीबॉडी जोड़े उत्पन्न कर सकती है, जो कम्प्यूटेशनल रिपर्टोयर विश्लेषण और चिकित्सीय डिजाइन के लिए एक आधार प्रदान करती है।