使用蛋白质语言建模研究人类和非肥胖糖尿病小鼠MHCII类免疫组
Philip Hartout1, Bojana Počuča2, Celia Méndez-García1
1Discovery Sciences, Novartis Institutes for Biomedical Research, Basel 4056, Switzerland.
Bioinformatics (Oxford, England)
|August 1, 2023
概括
我们开发了AEGIS,这是一个用于预测主要基因相容性复合物II类 (MHCII) -相互作用的变压器模型. 该模型准确地预测了临床前模型中的,有助于药物发现和安全性评估.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 主要组织相容性复合物II类 (MHCII) - 的鉴定对于评估免疫调节疗法至关重要.
- 准确的MHCII-呈现预测具有重要的生物制药应用,包括药物安全性评估和免疫调节药物发现.
- 已经收集了关于免疫反应和MHC相关蛋白质组的大量数据集,以及对序列数据分析的深度学习的进展.
研究的目的:
- 训练和评估一个紧型变压器模型 (AEGIS) 用于使用人类和小鼠数据进行MHCII-呈现预测.
- 评估模型的性能与现有的深度学习算法相比,并调查跨生物体数据集集成的影响.
- 为了证明该模型在临床前1型糖尿病模型中预测的能力.
主要方法:
- 一个紧的变压器模型,AEGIS,在人类和小鼠的MHCII免疫组数据上进行了训练.
- 模型性能在呈现预测上进行了评估,包括与现有的深度学习方法进行比较.
- 训练了模型的变体,并没有MHCII信息,并评估了包括I-Ag7呈现的影响.
主要成果:
- AEGIS变压器模型的性能与现有的MHCII-预测深度学习算法相提并论.
- 结合来自多个生物的数据集,提高了模型的预测性能.
- 加入I-Ag7呈现使得首次能够在临床前1型糖尿病模型中准确地预测呈现.
结论:
- AEGIS模型提供了准确的MHCII-呈现预测,与最先进的深度学习方法相提并论.
- 跨组织数据集成提高了模型性能,突出了各种数据集的价值.
- 该模型在临床前1型糖尿病模型中预测的成功为免疫相关疾病提供了有前途的治疗应用.
