菌体显示器使机器学习能够发现癌症抗原特异性TCRs

科学领域:

• 免疫学 免疫学 免疫学
• 生物技术是生物技术.
• 计算生物学 计算生物学

背景情况:

• T细胞及其T细胞受体 (TCRs) 对免疫反应对抗感染和癌症至关重要.
• 识别特定表位的TCR是开发有效的基于T细胞的疗法的关键.
• 确定针对临床相关表位体的新型TCR仍然是一个重大挑战.

研究的目的:

• 开发一种用于发现特异性识别癌症相关表位体的T细胞受体 (TCR) 的方法.
• 为了利用菌体显示技术和机器学习进行高效的TCR发现.
• 识别和验证针对NY-ESO-1抗原的新型TCRs,用于潜在的癌症免疫治疗应用.

主要方法:

• 构建具有随机CDR3β区域的T细胞受体 (TCR) 的大型菌体显示库.
• 对癌症丸抗原NY-ESO-1进行TCR库的扫描,以分离表位组特异的TCR序列.
• 训练机器学习模型以使用收集的序列数据来预测TCR-表位相互作用.
• 使用预测模型和细胞测试,从目录中识别和验证新型TCR.

主要成果:

• 收集了数千个特定于NY-ESO-1_157-165表位的T细胞受体 (TCR) 序列.
• 一个机器学习预测器成功地从大型目录中识别了表位特异性TCR.
• 经过验证的TCR显示对NY-ESO-1具有特定活性,在细胞测定中没有可检测的交叉反应.

结论:

• 显示技术和机器学习驱动的TCR-表皮质相互作用预测的结合对于TCR发现是有效的.
• 这种方法可以有效地利用大型T细胞受体 (TCR) 库来识别治疗候选药物.
• 鉴定到的TCR显示出开发针对性T细胞基础免疫疗法对抗表达NY-ESO-1的癌症的前景.