PepTCR-Net:通过深度学习的T细胞受体序列预测多类抗原

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:

• T细胞受体 (TCR) 和抗原的识别对适应性免疫非常重要,对癌症,传染病和自身免疫性疾病有影响.
• 识别TCR-抗原相互作用的实验方法昂贵且耗时,因此需要有效的计算方法.
• 由于数据稀缺和难以获得负识别数据,现有的计算工具面临着普遍化的局限性,这阻碍了它们的实际应用.

研究的目的:

• 开发一种先进的两步机器学习框架,用于准确预测TCR抗原识别.
• 通过整合基于神经网络的序列嵌入和分类生物特征来增强特征工程.
• 创建一个强大的计算工具,用于新的TCR抗原预测,适用于各种疾病,包括传染病.

主要方法:

• 使用基于神经网络的嵌入用于基于字母的TCR和序的特征工程,灵感来自语言模型.
• 人类白细胞抗原 (HLA) 类型和T细胞受体变量 (V) 和连接 (J) 基因的分类编码.
• 开发贝叶斯推进神经网络模型,以预测TCR抗原识别的可能性.

主要成果:

• 拟议的框架在内部和外部验证数据集上都表现出强大的预测性能.
• 先进的特征工程显著提高了TCR抗原识别预测的准确性.
• 该框架在现实世界的案例研究中成功预测了SARS-CoV-2表位的TCR识别.

结论:

• 开发的两步框架为预测TCR抗原识别提供了强大而准确的计算方法.
• 集成先进的功能工程和贝叶斯神经网络解决了现有方法的局限性.
• 这种工具具有显著的潜力,可以加速免疫学和传染病领域的研究和治疗开发.