深度学习增强了对外来病原体中HLA类I呈现的CD8⁺ T细胞表位的预测

科学领域:

• 免疫学 免疫学 免疫学
• 计算生物学 计算生物学
• 疫苗开发 疫苗开发

背景情况:

• 准确预测CD8+ T细胞表位是开发有效的基于T细胞的疫苗的关键.
• 目前用于人类白细胞抗原I类 (HLA-I) 连接体和表位体的in silico预测模型在可靠性和性能方面存在局限性.
• 机器学习方法显示出解决复杂的生物预测任务的前景.

研究的目的:

• 开发一种先进的深度学习模型,以精确地在体中确定由HLA-I等位基呈现的CD8+T细胞表位.
• 与现有的计算方法相比,改进呈现和免疫主导等级的预测.
• 通过实验测试来验证模型的性能,用于T细胞表位标识.

主要方法:

• 策划了651,237个独特的人类白细胞抗原I类 (HLA-I) 配体的大量数据集.
• 开发了MUNIS,这是一种用于预测HLA-I呈现的新型深度学习模型.
• 将MUNIS应用于爱斯坦-巴尔病毒蛋白质以进行表位体识别.
• 使用体外HLA-I稳定性和T细胞免疫性试验,实验验证的预测表位.

主要成果:

• 与现有模型相比,MUNIS在预测呈现和CD8+ T细胞表皮质免疫主导等级方面表现得更好.
• 该模型成功地从爱斯坦-巴尔病毒蛋白中识别了已知的和新的HLA-I表位.
• 实验验证证证实了已确定表位的稳定性和免疫性.
• 在预测免疫性方面,MUNIS的性能与实验稳定性测试相美.

结论:

• 深度学习,以MUNIS为例,可以显著提高CD8+T细胞表位标识的准确性和效率.
• MUNIS有可能减少实验负担并加速开发基于T细胞的疫苗.
• 该模型为发现和验证用于疫苗设计和免疫治疗的T细胞表位的强大工具.