タンパク質言語と幾何学的深層学習モデルを統合したワクチン抗原予測の強化

科学分野:

• 免疫学とワクチン学
• 計算生物学とバイオインフォマティクス
• 感染症研究

背景:

• ワクチン開発は、病原体から効果的な標的抗原を特定することに依存しています。
• 手動での抗原選択は時間がかかり、バイアスがかかりやすいです。
• 人工知能は、抗原発見を合理化するための有望なアプローチを提供します。

研究 の 目的:

• 保護的なワクチン抗原を予測するためのAIフレームワークPLGDLを開発および検証すること。
• タンパク質配列と構造的特徴を統合して、抗原予測精度を向上させること。
• MPOXを含む多様な病原体に対する抗原を特定する上でのフレームワークの有用性を実証すること。

主な方法:

• タンパク質言語モデルと幾何学的深層学習を組み合わせたPLGDLフレームワークを開発しました。
• 抗原の一次アミノ酸配列と3D構造データの両方を活用しました。
• ウイルス、細菌、真核生物の病原体を含む、多様な構築済みおよび公開データセットでモデルを検証しました。

主要な成果:

• PLGDLフレームワークは、さまざまな病原体タイプにわたって堅牢なパフォーマンスを示しました。
• モデルは、既知の保護抗原を正常に特定しました。
• 進行中のアウトブレイク中に、MPOXウイルスに対する新しい保護抗原であるG10Rが発見されました。

結論:

• PLGDLは、保護的なワクチン抗原の迅速なスクリーニングのための高性能なAI駆動ツールを提供します。
• タンパク質言語と幾何学的深層学習の相乗効果により、バイアスが軽減され、予測が強化されます。
• この方法論は、新興感染症に対するワクチン開発の加速に大きな進歩をもたらします。