伯特TCR:基于Bert的深度学习框架,用于基于T细胞受体谱的癌症相关免疫状态预测
Min Zhang1, Qi Cheng1, Zhenyu Wei1
1College of Intelligent Systems Science and Engineering, Harbin Engineering University, No. 145 Nantong Street, Nangang District, Harbin, 150001, China.
Briefings in bioinformatics
|August 23, 2024
概括
一个新的深度学习框架BertTCR通过分析T细胞受体 (TCR) 序列来增强癌症免疫状况预测. 这种方法显著提高了癌症检测的准确性,为免疫反应预测提供了一个有前途的工具.
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.
- 计算生物学 计算生物学
背景情况:
- T细胞受体 (TCR) 谱系对于免疫反应至关重要,包括癌症监测.
- 目前用于预测与癌症相关的免疫状态的基于序列的方法通常无法捕捉复杂的序列内和序列间TCR相互作用.
- 这种局限性阻碍了对癌症免疫力的准确预测模型的开发.
研究的目的:
- 引入BertTCR,一种新的深度学习框架,用于使用TCR序列数据预测与癌症相关的免疫状态.
- 利用先进的深度学习和蛋白质语言模型从TCR中提取更深层次的上下文信息.
- 提高基于序列的癌症免疫状况预测的准确性和范围.
主要方法:
- 开发了BertTCR,这是一个深度学习框架,将预训练的蛋白质语言模型与深度学习架构集成在一起.
- 在2000多个公共TCR图书馆中接受了17种癌症类型和健康样本的BertTCR培训.
- 对癌症患者的多个外部数据集进行验证的BertTCR与健康个体分类和癌症类型分化相比.
主要成果:
- 伯特TCR在甲状腺癌检测的曲线下面面积 (AUC) 显著改善,在外部验证集上表现优于最先进的方法21个百分点.
- 该模型在各种数据集中有效地区分了癌症患者和健康人群.
- 伯特TCR在分类不同类型的癌症方面表现出高准确度.
结论:
- 伯特TCR代表了使用TCR序列预测癌症相关免疫状况的进步.
- 该框架能够捕捉复杂的TCR序列相互作用,从而提供了增强的预测能力.
- 伯特TCR显示出在瘤学及其他领域对各种免疫状况预测任务的巨大潜力.
