代的攻击和防御框架,以改进TCR-epitope绑定预测模型
Pengfei Zhang1,2, Hao Mei1,2, Seojin Bang3
1School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ 85281, United States.
Bioinformatics (Oxford, England)
|July 15, 2025
概括
本研究引入了一种攻击和防御框架,通过生成和从错误阳性结果中学习来改进T细胞受体 (TCR) -表皮质结合预测模型. 该方法增强了对抗模型的模型稳定性,这对于T细胞疗法和疫苗至关重要.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 预测TCR-表皮质结合对于采用T细胞治疗和疫苗设计至关重要.
- 现有模型由于有限的负样本数据而遭受错误阳性.
- 目前的负样本生成方法无法解决模型特定的漏洞.
研究的目的:
- 开发一个新的框架,系统地识别和缓解TCR-epitope预测模型中的弱点.
- 为了提高TCR-epitope结合预测模型对虚假阳性的稳定性.
- 创建一个全面的对抗负数据集,用于模型改进.
主要方法:
- 提出一个代的攻击和防御框架,使用来自AI反 (RLAIF) 的强化学习.
- 攻击阶段:生成生物学上不合理的序列来欺骗预测模型.
- 防御阶段:将已识别的假阳性纳入微调数据集,以改善检测.
主要成果:
- 成功地将框架应用于五种不同的TCR-epitope预测模型.
- 显著改善了模型检测对抗假阳性结果的能力.
- 创建了一个组合数据集,作为预测模型的基准测试工具.
结论:
- 攻击和防御框架有效地提高了TCR-epitope预测模型的稳定性.
- 生成的对抗性数据集改善了模型性能,并减少了假阳性.
- 这种方法为改善生物预测模型提供了一种新的策略,使用有限的负性采样.
