THLANet:一个深度学习框架,用于预测免疫疗法应用中的TCR-pHLA结合
Xu Long1, Qiang Yang1, Weihe Dong1
1School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China.
PLoS computational biology
|September 12, 2025
概括
预测T细胞受体 (TCR) 与新抗原的结合是癌症免疫治疗的关键. 深度学习模型THLANet使用序列数据准确预测TCR-新抗原相互作用,从而推进抗瘤免疫研究.
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:
- 适应性免疫对于抗瘤反应至关重要,它依赖于T细胞受体 (TCR) 识别由人类白细胞抗原 (HLA) 呈现的瘤抗原.
- 由于TCRs识别所有潜在的新抗原的能力有限,这对有效的癌症免疫疗法构成了挑战.
- 准确预测TCR-新抗原结合对于评估免疫性和指导治疗策略至关重要.
研究的目的:
- 开发一个深度学习模型,THLANet,用于预测TCR和由I类HLA分子呈现的新抗原之间的结合特异性.
- 使用进化规模建模-2 (ESM-2) 增强序列特征表示,以提高预测准确度.
- 提供关于TCR-抗原相互作用的结构基础的见解.
主要方法:
- 开发了THLANet,一种使用ESM-2进行序列特征提取的深度学习模型.
- 使用scTCR-seq数据构建了一个TCR-pHLA绑定数据库来训练和验证模型.
- 在不同癌症类型的临床癌症数据上评估模型性能.
- 分析了补充性确定区域 (CDR3) 序列,并进行了氨酸扫描模拟.
主要成果:
- THLANet使用仅TCR CDR3β,抗原和I类HLA序列信息准确预测TCR-新抗原结合特异性.
- 该模型展示了在scTCR-seq数据和各种癌症类型上验证的临床潜力.
- 分析为TCRs和抗原之间的3D结合相互作用提供了新的见解.
结论:
- THLANet提供了一种强大而准确的方法来预测TCR-新抗原配对,这是免疫学中的一个重大挑战.
- 该模型利用序列数据的能力简化了预测,并为TCR-抗原相互作用提供了新的视角.
- 这项工作对推进新抗原发现和开发个性化癌症免疫疗法具有重要意义.
