Aprendizaje multimodal en subgrafos heterogéneos y representación de LLM para la predicción de la afinidad de unión...

Área de la Ciencia:

• Biología computacional
• Inmunoinformática
• Aprendizaje automático

Sus antecedentes:

• La predicción precisa de la afinidad de unión del Complejo Mayor de Histocompatibilidad (MHC)-péptido es fundamental para el desarrollo de inmunoterapias efectivas.
• Los métodos computacionales actuales enfrentan desafíos para modelar simultáneamente la semántica funcional, las restricciones evolutivas y la dinámica estructural de los residuos polimórficos.
• Existe la necesidad de modelos avanzados que puedan capturar interacciones complejas entre moléculas MHC y péptidos.

Objetivo del estudio:

• Desarrollar un modelo computacional novedoso, el modelo de subgrafo heterogéneo multicaracterística basado en aprendizaje contrastivo (CMHS), para mejorar la predicción de la afinidad de unión MHC-péptido.
• Integrar diversas representaciones de datos, incluida información de secuencia y estructural, para una comprensión más completa de las interacciones MHC-péptido.
• Establecer un nuevo punto de referencia en la predicción de interacciones inmunes hipervariables.

Principales métodos:

• Se utilizó el ajuste fino de LoRA con ESM2 y BLOSUM50 para la representación de la secuencia exclusiva de MHC, capturando dependencias funcionales y residuos conservados.
• Se empleó una red de grafos heterogéneos guiada por biofísica para la representación estructural, incorporando una novedosa capa de ruido gaussiano entrenable guiada por factores B cristalográficos.
• Se implementó un marco de paso de mensajes de tres etapas con agregación y extracción de subgrafos, seguido de aprendizaje contrastivo para alinear los espacios de representación de secuencia y grafos.

Principales resultados:

• El modelo CMHS demostró mejoras significativas en la precisión de la predicción en 16 puntos de referencia de alelos HLA.
• Se logró una mejora promedio del coeficiente de correlación de rango de Spearman (SRCC) del 8,7% en comparación con los métodos existentes.
• Se mostró una mejora promedio del Área Bajo la Curva (AUC) del 7,6%, lo que indica un rendimiento predictivo mejorado.

Conclusiones:

• El modelo CMHS representa un nuevo paradigma para predecir interacciones inmunes hipervariables, particularmente la afinidad de unión MHC-péptido.
• La integración de datos de secuencia y estructurales a través del aprendizaje contrastivo mejora significativamente las capacidades de predicción.
• Este enfoque ofrece una dirección prometedora para avanzar en el desarrollo de inmunoterapias a través de modelos computacionales mejorados.