一个可解释的语言模型用于使用精选的流感血素抗体进行抗体特异性预测
Yiquan Wang1, Huibin Lv1,2, Ruipeng Lei1
1Department of Biochemistry, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA.
bioRxiv : the preprint server for biology
|September 25, 2023
概括
研究人员开发了一种新的语言模型,可以从序列数据中预测抗体特异性. 该模型有助于理解流感病毒抗体反应,并发现新的HA干抗体.
科学领域:
- 免疫学和计算生物学
- 抗体工程和生物信息学
背景情况:
- 从序列预测抗体特异性仍然是抗体研究中的一个重大挑战.
- 有限的数据集和不充分的模型阻碍了基于序列的准确预测工具的开发.
研究的目的:
- 为了准备一个全面的流感血素 (HA) 抗体数据集.
- 开发一种新的,轻量级的B细胞语言模型 (mBLM),用于预测抗体特异性.
- 使用开发的模型识别和验证新的HA干抗体.
主要方法:
- 策划了来自出版物和专利的5000多个流感血素 (HA) 抗体的数据集.
- 开发了一种轻量级的B细胞语言模型 (mBLM),用于基于序列的抗体特异性预测.
- 使用模型可解释性分析来识别关键序列动机.
- 应用了mblm来预测HA抗体的特异性与未知的表位.
主要成果:
- 识别出不同的序列特征,使针对HA头与干域的抗体有区别.
- mBLM证明了捕获与HA干抗体相关的关键序列动机的能力.
- 成功发现并实验验证了许多新的HA干抗体.
结论:
- 这项研究增强了对抗体对流感病毒反应的分子理解.
- 开发的mBLM为基于序列的抗体特异性预测提供了有价值的工具.
- 这项工作为在抗体研究和发现中应用深度学习提供了重要的资源.
