高准确度的基生成和使用生成对抗网络增强TCR目录数据
Piotr Religa1, Michel-Edwar Mickael2, Norwin Kubick3
1Department of Medicine, Karolinska Institute, Visionsgatan 18, 171 76, Solna, Sweden. piotr.religa@ki.se.
Scientific reports
|May 26, 2025
概括
生成对抗网络 (GAN) 现在可以创建可靠和多样化的T细胞受体 (TCR) CDR3序列,用于增强免疫疗法. 这种使用长短期记忆 (LSTM) 网络的新方法显示了改进工程T细胞受体 (eTCR) 疗法的前景.
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:
- 工程T细胞受体 (eTCR) 系统需要精确的T细胞受体 (TCR) 序列来进行有效的免疫治疗.
- TCRs的CDR3区域对于抗原结合和治疗疗效至关重要.
- 现有的CDR3序列生成方法缺乏可靠性,多样性和新性.
研究的目的:
- 引入生成对抗网络 (GAN) 作为产生生物可靠的TCR CDR3序列的新方法.
- 为了比较基于长短期记忆 (LSTM) 的GAN与基于LeakyReLU的GAN在CDR3序列生成中的性能.
主要方法:
- 具有长短期内存 (LSTM) 和LeakyReLU激活功能的生成对抗网络 (GAN) 的应用.
- 使用统计和计算分析评估序列生成的准确性,多样性和可靠性.
- 通过t-SNE集群,频率分布分析,TCRd3 BLAST和in silico对接来验证合成序列.
主要成果:
- 基于LSTM的GAN产生了更多样化的序列,具有更高的准确性和AUC,但较低的区分器损失.
- 基于LeakyReLU的GAN提供了更高的稳定性,发电机损耗较低,Pearson相关性得分超过0.9.
- 两种GAN模型都成功生成了现实的TCR序列,并通过多种验证方法得到证实.
结论:
- GANs,特别是LSTM模型,是生成合成但生物相关的TCR CDR3序列的强大工具.
- 这一进展对于提高基于工程T细胞受体 (eTCR) 的免疫疗法的可预测性和疗效至关重要.
- 需要进一步的研究,重点关注氨基酸频率分布和临床验证,以充分实现治疗潜力.
