In Silico是预测,设计和扫描IL-2诱导的工具

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:

• 干白素-2 (IL-2) 对于免疫系统调节至关重要,并用于癌症免疫治疗.
• 预测IL-2诱导对于开发有效的免疫疗法至关重要.
• 现有的方法在精度或覆盖范围方面存在局限性.

研究的目的:

• 开发和验证用于预测IL-2诱导的计算方法.
• 为此预测任务比较基于对齐和人工智能 (AI) 的方法.
• 为科学界创建一个用户友好的工具.

主要方法:

• 在6574个经过实验验证的主要组织相容性复合体 (MHC) 结合剂的数据集上训练并验证了模型.
• 开发了基于对齐的方法和各种AI模型,包括机器学习 (ML),深度学习 (DL) 和大语言模型 (LLM).
• 构建组合模型,将AI和基于对齐的方法结合起来,并对附加数据集与MHC非绑定器进行测试.

主要成果:

• 人工智能模型,特别是基于额外树的模型,表现出有希望的性能,AUC为0.82.
• 最好的整体模型,整合了Extra Tree和MERCI,在主数据集上实现了0.84的AUC和0.51的MCC.
• 组合模型在替代数据集上实现了更高的AUC (0.9和0.8),证明了稳定性.

结论:

• 人工智能和组合方法显著提高了对IL-2诱导的预测.
• 开发的工具IL2pred为预测,扫描和设计IL-2诱导提供了宝贵的资源.
• 通过网络服务器访问IL2pred,促进癌症免疫疗法研究的进步.