对突变的HLAI类表皮质免疫性预测的meta学习,以加速癌症的临床免疫疗法

科学领域:

• 计算生物学是一种计算生物学.
• 免疫学 免疫学 免疫学
• 生物信息学是一种生物信息学.

背景情况:

• 预测-人白细胞抗原 (pHLA) 结合对于癌症免疫疗法至关重要,但现有的工具在免疫性方面扎.
• 目前的模型经常使用缺乏免疫原性表位的数据集,限制了它们的临床应用.

研究的目的:

• 开发一种自适应性免疫原性预测模型,MHLAPre,用于准确识别免疫原性新表位.
• 为了改善对-HLA结合和T细胞受体相互作用的预测,用于增强免疫疗法.

主要方法:

• 在大规模的免疫原性MS衍生的HLA I解联体上训练MHLAPre,使用元学习策略.
• 纳入转移学习与-HLA-T细胞受体 (pHLA-TCR) 数据集以建模免疫反应激活.
• 开发了对内源性呈现的等位基特异性和泛等位基预测模型.

主要成果:

• 在预测新表位细胞免疫性方面,MHLAPre显著超过了五种最先进的模型.
• 该模型准确地识别了与瘤相关的内源抗原,并证明了强度.
• 转移学习改善了MHLAPre揭示免疫疗法机制的能力.

结论:

• MHLAPre是一种有效的工具,用于识别与T细胞受体相互作用并引起免疫反应的新表位.
• 该模型具有很大的潜力,可以推进临床应用,如抗瘤免疫,T细胞工程和个性化癌症疫苗.