NetTCR-struc是一种结构驱动的方法,用于预测TCR-pMHC相互作用
Sebastian N Deleuran1, Morten Nielsen1
1Department of Health Technology, Technical University of Denmark, Lyngby, Denmark.
Frontiers in immunology
|August 1, 2025
概括
我们开发了一个图形神经网络 (GNN),以改进T细胞受体 (TCR) - - 主性基因相容复合体 (pMHC) 相互作用的结构建模. 我们的GNN增强了模型的准确性和排名,优于免疫识别研究的现有方法.
科学领域:
- 免疫学 免疫学 免疫学
- 结构生物学 结构生物学
- 计算生物学 计算生物学
背景情况:
- 准确地建模T细胞受体 (TCR) - - 主性基因相容性复合体 (pMHC) 相互作用对于理解免疫识别至关重要.
- 像AlphaFold-Multimer这样的现有方法可能会高估模型的准确性,因为信心得分与实际质量之间的相关性很差.
研究的目的:
- 提高TCR-pMHC I类复合体的结构建模的准确性和可靠性.
- 开发一种新的方法来评估预测的TCR-pMHC结构的质量,并选择最佳候选者.
主要方法:
- 利用图形神经网络 (GNN) 来增强对接质量评分和TCR-pMHC复合体的结构模型选择.
- 使用DockQ质量评分对AlphaFold-Multimer的信心评分进行了GNN的性能评估.
- 评估了GNN在零射击环境中区分绑定和非绑定TCR-pMHC相互作用的能力.
主要成果:
- 在GNN中,预测质量与DockQ之间的Spearman相关性增加了25% (0.681到0.855).
- 该GNN改善了对接候选人排名,并成功避免了选择失败的结构.
- 该模型展示了区分结合与非结合的TCR-pMHC复合物的能力,特别是在高质量的结构模型中.
结论:
- 图形神经网络为TCR-pMHC相互作用的结构建模和质量评估提供了显著的改进.
- 虽然有希望,但对于高度可靠的结合分类,结构建模管道的进一步进步是必要的.
更多相关视频
09:53Using X-ray Crystallography, Biophysics, and Functional Assays to Determine the Mechanisms Governing T-cell Receptor Recognition of Cancer Antigens
Published on: February 6, 2017
11.5K
12:09Use of Single Chain MHC Technology to Investigate Co-agonism in Human CD8+ T Cell Activation
Published on: February 28, 2019
9.9K
