使用随机和基于ESM-2的预测预测单残留线性和构造性B细胞表位
Sapir Israeli1, Yoram Louzoun1
1Department of Mathematics, Bar-Ilan University, Ramat Gan, Israel.
Briefings in bioinformatics
|March 15, 2024
概括
CALIBER是一种新的B细胞表位预测工具,其性能优于线性和构形表位的现有方法. 它使用双向长期短期记忆模型,以提高预测B细胞表位的准确性.
科学领域:
- 免疫信息学是指免疫信息学.
- 计算生物学 计算生物学
- 机器学习在免疫学中的应用
背景情况:
- B细胞表位对抗体识别和疫苗设计至关重要.
- 目前的预测方法被广泛分为线性 (基于序列) 和构造性 (基于结构).
- 现有的线性预测器通常依赖于应用于序列衍生表示的机器学习.
研究的目的:
- 介绍一个新的预测工具CALIBER (形态和线性B细胞表皮质预测),一个新的预测工具.
- 为了评估CALIBER的性能与最先进的方法对线性和构形B细胞表位进行比较.
- 调查序列信息和结构数据对表位预测准确性的影响.
主要方法:
- 开发CALIBER,使用随机投影的双向长期短期记忆 (BiLSTM) 神经网络.
- 整合进化规模建模-2 (ESM-2) 投影以增强特征表示.
- 在测试数据集上使用曲线下的面积 (AUC) 评估预测准确度.
主要成果:
- 与现有方法相比,CALIBER 实现了线性表位的更高的预测精度 (AUC=0.789).
- 与ESM-2投影相结合的BiLSTM模型改善了最先进的形状表位预测 (AUC=0.776).
- 远程序列信息被证明是高预测准确度的关键,而3D结构图并没有提高性能.
结论:
- CALIBER在线性和构造性B细胞表位预测方面表现出更高的准确性.
- BiLSTM架构有效地利用序列信息来改善免疫信息学预测.
- 对于线性和形状表征来说,尽管模型的结构相似,但需要单独的模型训练.
