机器学习预测T细胞抗原特异性从细胞内动态的T细胞抗原特异性
Sébastien This1,2,3, Santiago Costantino1,4, Heather J Melichar1,3,5
1Centre de recherche de l'Hôpital Maisonneuve-Rosemont, Montréal, Québec, Canada.
Science advances
|March 6, 2024
概括
机器学习准确地预测T细胞从信号激活,克服了开发T细胞受体 (TCR) 治疗癌症的关键障碍. 这一进步有助于识别个性化采用T细胞疗法的TCR序列.
科学领域:
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 收养T细胞疗法需要具有特定瘤向T细胞受体 (TCRs) 的T细胞.
- 识别有效的TCR序列是TCR工程细胞疗法生产中的一个主要瓶.
- 细胞内的波动信号T细胞受体 (TCR) 参与,但非常可变.
研究的目的:
- 研究机器学习算法的潜力,从复杂的信号数据中对T细胞激活进行分类.
- 为采用性T细胞疗法开发抗原特异性TCR序列识别管道奠定基础.
主要方法:
- 利用深度学习工具来分析细胞内的波动作为T细胞受体 (TCR) 信号的读数.
- 训练并测试了一种机器学习算法,以根据信号数据预测T细胞激活.
- 使用TCR转基因CD8+T细胞,不同的TCR和多克隆T细胞验证了算法.
主要成果:
- 使用基于波动的深度学习模型,证明了TCR-转基因CD8+T细胞激活的准确预测.
- 成功测试了对具有不同TCR的T细胞和多克隆T细胞群的算法的性能.
- 确定了使用机器学习来解释T细胞分类的可变信号事件的可行性.
结论:
- 机器学习,特别是深度学习,可以有效地从可变信号数据中对T细胞激活进行分类.
- 这种方法为新的管道提供了一个有希望的基础,用于识别用于采用T细胞疗法的抗原特异性TCR序列.
- 克服TCR识别的瓶可以加速个性化癌症免疫疗法的发展.
