LYnet:使用卷积和循环神经网络对瘤T细胞抗原进行计算识别
Yang Lv1, Ting Liu2, Chang Liu3
1College of Water Resources and Architectural Engineering, Northwest A&F University, Yangling, Shaanxi 712100, China; Ocean College, Zhejiang University, Zhoushan, Zhejiang 316000, China.
Computational biology and chemistry
|August 28, 2025
概括
一个新型深度学习模型LYnet准确地预测瘤T细胞抗原, 改善癌症疫苗的开发. 这一进步通过精确识别抗瘤免疫反应的关键点,提高了免疫疗法的有效性.
科学领域:
- 计算生物学
- 免疫学
- 癌症学
背景情况:
- 免疫疗法比传统的癌症疗法具有更好的疗效和特异性.
- 准确识别T细胞抗原对于有效的抗瘤免疫反应至关重要.
- 目前的T细胞抗原预测方法缺乏最佳癌症疫苗开发所需的精度.
研究的目的:
- 推出一种新的深度学习模型,
- 加强对更有效的治疗癌症疫苗的识别过程.
主要方法:
- 开发了一种混合深度学习架构 (LYnet),集成1D CNN和双向LSTM.
- 19个序列衍生描述符形成了输入特征空间,SMOTE-Tomek用于类不平衡.
- 使用十倍交叉验证和独立基准数据集 (TAP 1.0, iTTCA-RF) 验证了模型性能.
主要成果:
- 在10倍交叉验证中,LYnet的AUC为0. 992,灵敏度为0. 863,特异性为0. 925,MCC为0. 776.
- 在独立的数据集中,LYnet的AUC为0. 949 (TAP1. 0) 和0. 836 (iTTCA- RF).
- LYnet 超越了竞争对手的方法,证明了瘤T细胞抗原识别的最新准确性和平衡预测.
结论:
- LYnet深度学习模型显著提升了瘤T细胞抗原的预测.
- 它的高精度和强度可以提高癌症免疫疗法的开发和有效性.
- 通过改进抗原识别,该工具有助于设计下一代癌症疫苗.
更多相关视频
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
8.1K
07:46Microfluidic Co-Culture Models for Dissecting the Immune Response in in vitro Tumor Microenvironments
Published on: April 30, 2021
4.9K
