一个强大的深度学习工作流来预测CD8+T细胞表位
Chloe H Lee1,2, Jaesung Huh3, Paul R Buckley1,2
1MRC Human Immunology Unit, Medical Research Council (MRC) Weatherall Institute of Molecular Medicine (WIMM), John Radcliffe Hospital, University of Oxford, Oxford, OX3 9DS, UK.
Genome medicine
|September 13, 2023
概括
我们开发了TRAP,这是一种深度学习工具,用于预测CD8+T细胞表位. 即使数据有限,TRAP也可以改善对癌症和病原体的免疫性预测.
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:
- T细胞对于抗癌和病原体的适应性免疫是至关重要的.
- 识别T细胞抗原是具有挑战性和低通量.
- 现有的CD8+T细胞表位预测计算方法存在局限性,包括HLA偏差和小数据集的性能差.
研究的目的:
- 开发一个强大的深度学习工作流程 (TRAP),用于预测CD8+T细胞表位.
- 提高T细胞表位标识在致病和癌症环境中的准确性和效率.
- 引入一种新型指标 (RSAT),用于估计病原性的免疫性.
主要方法:
- 开发了TRAP,这是一个深度学习工作流程,利用转移学习和MHC绑定信息.
- TRAP预测来自MHC-I呈现的致病性和自我的CD8+T细胞表位.
- 引入RSAT指标以估计低置信度预测的免疫性.
主要成果:
- 在预测质母细胞瘤和SARS-CoV-2的表位方面,TRAP的表现优于现有的算法.
- TRAP有效地从有限和不平衡的数据集中提取免疫性特征.
- 该RSAT指标准确地估计了各种长度和物种的致病性的免疫性.
结论:
- TRAP提供了一种新的计算方法,用于准确地预测CD8+T细胞表皮图.
- 这种工作流可以增强对抗原特异性T细胞反应的理解.
- TRAP有助于开发有效的基于T细胞的免疫疗法.
