GIHP:基于图形卷积神经网络的可解释泛特定HLA结合亲和度预测
Lingtao Su1, Yan Yan2, Bo Ma3
1Shandong University of Science and Technology, Qingdao, China.
Frontiers in genetics
|July 25, 2024
概括
这项研究引入了GIHP,一种可解释的图形卷积神经网络,以准确预测人类白细胞抗原 (HLA) - 结合亲缘关系. 该方法通过识别癌症数据集中预测患者存活率的关键残留物来增强免疫疗法.
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
- 结构生物学 结构生物学
背景情况:
- 准确预测人类白细胞抗原 (HLA) - 结合亲缘关系对于疫苗开发和免疫疗法设计至关重要.
- 目前的基于序列的方法缺乏结构洞察力和模型解释性,阻碍了关键结合残留物的识别.
- 了解HLA-相互作用对于破译自适应性免疫反应至关重要.
研究的目的:
- 开发一种可解释的预测方法,用于包含结构信息的HLA-结合亲缘关系.
- 为了提高模型的解释性,以识别参与HLA-结合的关键氨基酸.
- 验证已识别的关键残留物在预测免疫治疗结果中的临床相关性.
主要方法:
- 拟议的GIHP,一个可解释的图形卷积神经网络 (GCNN) 模型.
- 代表了HLA结构作为氨基酸水平图和SMILE字符串作为原子水平图.
- 开发了一种新的视觉解释方法,即渐变加权激活映射 (Grad-WAM),用于识别关键结合残留物.
主要成果:
- 与多个数据集的最先进方法相比,GIHP显示出更高的预测准确性.
- 确定了关键的HLA-结合残留物,并验证了它们在区分免疫治疗患者存活率组中的能力.
- 鉴定的残留物成功地将患者的生存率分为乳腺,膀和泛癌数据集.
结论:
- GIHP显著提高了HLA-结合预测的准确性和可解释性.
- 已识别的关键残留物有可能指导个性化癌症免疫治疗策略.
- 这项工作为利用免疫信息学中的结构和可解释模型提供了基础.
