一个全面的基准测试,用于评估TCR嵌入在建模TCR-Epitope相互作用中的TCR嵌入
Xikang Feng1, Miaozhe Huo2, He Li1
1School of Software, Northwestern Polytechnical University, 127 West Youyi Road, Beilin District, Xi'an Shaanxi, 710072, China.
Briefings in bioinformatics
|January 30, 2025
概括
手工制作的T细胞受体 (TCR) 嵌入优于数据驱动的方法来预测TCR-表位相互作用. 一个新的包装帮助研究人员选择最佳的TCR CDR3序列嵌入模型,用于免疫学中的机器学习.
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) 序列,特别是互补性决定区域3 (CDR3) 是复杂的.
- 免疫学中的机器学习应用需要高效的TCR CDR3嵌入方法.
- 现有的TCR CDR3嵌入策略缺乏系统的评估,导致社区混乱.
研究的目的:
- 系统地评估和基准现有的TCR CDR3嵌入方法.
- 为了比较不同嵌入策略在各种TCR下游任务上的性能.
- 为选择合适的TCR CDR3嵌入模型提供一个实用工具.
主要方法:
- 从19种现有的TCR CDR3方法中提取了嵌入模型.
- 使用四个精心策划的数据集和八个下游分类器的基准模型.
- 对TCR-表位组结合亲和力预测,表位组特定的TCR识别,聚类和可视化进行评估.
- 利用了五种下游集群方法和各种性能指标.
主要成果:
- 与数据驱动的方法相比,手工制作的TCR CDR3嵌入显示出优异的性能,用于TCR-表皮质相互作用.
- 在不同的下游任务和数据集中,性能有所不同.
- 确定了在特定免疫学应用中表现出色的特定嵌入模型.
结论:
- 系统的基准测试澄清了各种TCR CDR3嵌入策略的实用性.
- 目前,手工嵌入对于建模TCR-表皮质相互作用更有效.
- 一个全在一体的TCR CDR3嵌入包被开发出来,以促进研究人员的模型选择.
