对TCR和TCR-pMHC复杂结构预测工具的比较分析
Yudan Shi1, Jerry M Parks2, Jeremy C Smith2,3
1Graduate School of Genome Science and Technology, The University of Tennessee at Knoxville, Knoxville, Tennessee 37996, United States.
Journal of chemical information and modeling
|June 13, 2025
概括
本研究对预测T细胞受体 (TCR) 和TCR--主要基因相容性 (TCR-pMHC) 结构的AI工具进行了基准测试. 虽然AlphaFold2,AlphaFold3和tFold-TCR显示TCR的高精度,但在建模特定区域和接口方面仍然存在挑战.
科学领域:
- 计算生物学是一种计算生物学.
- 结构生物信息学 结构生物信息学
- 免疫信息学是指免疫信息学.
背景情况:
- 像AlphaFold这样的AI进步加速了T细胞受体 (TCR) 和TCR--主要基因相容性 (TCR-pMHC) 综合体的计算结构预测.
- 缺乏标准化的基准来评估这些快速发展的预测工具的准确性和局限性.
研究的目的:
- 系统地评估各种计算工具的性能,用于预测孤立的TCR结构和TCR-pMHC复杂结构.
- 识别不同预测方法的优缺点,包括基于同质的,一般AI和TCR特定的方法.
主要方法:
- 评估了七种用于TCR结构预测的工具和六种用于TCR-pMHC复杂结构预测的工具.
- 使用了40个αβ TCR和27个TCR-pMHC复合体 (I和II类) 的训练后数据集.
- 通过使用各种指标,评估全球,本地和界面层面的模型准确性.
主要成果:
- 阿尔法Fold2,阿尔法Fold3和tFold-TCR在TCR结构预测方面表现出高的整体准确性.
- 在TCR-pMHC结构预测中,TCRmodel2和AlphaFold2表现良好.
- 特定于TCR的AlphaFold2工具在框架区域的准确性较低;所有工具都在CDR3循环,对接和某些MHC接口方面遇到了困难.
结论:
- 没有一个工具在各个方面都优秀; 工具的选择取决于具体的预测需求.
- 强调需要多种评估指标,并突出了TCR和TCR-pMHC结构预测方法的改进领域.


