DeepAIR:一个深度学习框架,用于有效整合序列和3D结构,以实现自适应性免疫受体分析

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:

• 适应性免疫受体 (AIRs),包括T细胞受体 (TCRs) 和B细胞受体 (BCRs),与抗原结合,这是适应性免疫的一个基本过程.
• 目前用于AIR抗原结合的预测方法主要使用序列数据,忽略了影响结合亲和力的关键结构特征.

研究的目的:

• 开发一个深度学习框架,DeepAIR,它集成了序列和结构特征,用于准确预测AIR-抗原结合.
• 提高对TCR和BCR的结合亲和力和反应力的预测准确度.

主要方法:

• 开发了DeepAIR,这是一个深度学习框架,集成了AIR的序列和结构特征.
• 应用DeepAIR来预测TCR的结合亲和力和TCR和BCR的结合反应性.
• 利用TCR和BCR的数据来识别疾病.

主要成果:

• 对于TCR结合亲和力预测,DeepAIR实现了0.813的皮尔森相关性.
• 获得的中位数AUC值为TCR结合反应活性的0.904和BCR结合反应活性的0.942.
• 在测试数据中,DeepAIR成功识别了所有患有鼻癌和炎症性肠病的患者.

结论:

• 通过结合结构信息,DeepAIR显著改善了对AIR-抗原结合的预测.
• 该框架有助于更深入地了解适应性免疫.
• 通过分析免疫受体谱,DeepAIR展示了疾病诊断的潜力.