对于零射击-HLA结合预测和自动化抗原设计的等级渐进式学习

科学领域:

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

背景情况:

• 准确预测-HLA结合对于开发有效的疫苗和免疫疗法至关重要.
• 目前的in silico工具正在努力预测代表性不足或"零射击"的人类白细胞抗原 (HLA) 类I等位基因的结合.
• 识别特定的-HLA相互作用是了解免疫反应和设计向治疗的关键.

研究的目的:

• 开发一种新的计算框架,用于预测与HLA类I等位基因的结合,特别是那些具有有限或没有现有的表位基因数据 (零射击等位基因) 的表位基因.
• 为了提高代表性不足和非经典HLA等位基因的预测准确度.
• 创建一个自动化工具来识别和优化任何目标HLA类I等位基因的结体.

主要方法:

• 开发一个分层渐进式学习 (HPL) 框架,以逐步学习-HLA复合体中的序列模式.
• 应用HPL模型来预测零射击和非经典HLA类I等位基因的结.
• 创建一个由HPL模型指导的自动化突变搜索程序,以增强-HLA结合亲和力.

主要成果:

• HPL框架显示,对零射击的HLA类I等位基因的预测性能有显著的改善,增加了60.8% (非经典等位基因为1414.0%).
• 自动化突变搜索程序在超过38.1%的测试案例中成功识别了具有最小突变的目标等位基因的高亲和度结合候选者.
• 开发的方法使得对HLA等位基因的范围比以前更广泛的潜在表位候选人的生成成为可能.

结论:

• 层次渐进式学习 (HPL) 框架提供了一个强大的解决方案,用于在具有挑战性的零射击场景中预测-HLA结合.
• 自动化突变工具增强了高亲和度结合剂的发现,加速了疫苗和免疫治疗的开发.
• 这种方法显著扩大了在不同的人群和HLA类型的in silico表位预测的范围.