在基工具用于预测和扫描抗原中的类风湿性关节炎诱导
Ritu Tomer1, Shipra Jain1, Pushpendra Singh Gahlot1
1Department of Computational Biology, Indraprastha Institute of Information Technology, New Delhi, India.
Frontiers in immunology
|September 17, 2025
概括
识别类风湿性关节炎 (RA) 诱导对于开发安全的蛋白质疗法至关重要. 组合模型结合了机器学习和基于动机的方法,在预测这些上取得了最高的准确性.
科学领域:
- 免疫学和生物信息学
- 计算生物学和蛋白质科学计算生物学和蛋白质科学
背景情况:
- 风湿性关节炎 (RA) 是一种自身免疫性疾病,其特点是慢性炎症和关节损伤,这是由于对自我抗原的异常免疫反应造成的.
- 识别引发RA的特定抗原对于开发安全有效的基于蛋白质的疗法和评估食品安全至关重要.
研究的目的:
- 开发和评估用于预测HLAII类结合RA诱导的计算模型.
- 为了确定RA诱导中的关键残留偏好和组成模式.
- 为了比较各种计算方法的性能,包括基于对齐,机器学习和深度学习的方法.
主要方法:
- 使用291个经过实验验证的RA诱导和165个非诱导的数据集开发预测模型.
- 应用位置和组成分析来确定残留品偏好.
- 基于对齐的方法 (BLAST,MERCI),机器学习分类器 (XGBoost),深度学习和蛋白质语言模型 (ProtBERT) 的评估.
主要成果:
- 组合分析显示,RA诱导中的甘氨酸,氨酸和氨酸的丰富.
- 在单个方法中,XGBoost (AUC = 0.75) 和ProtBERT (AUC = 0.72) 显示出强的性能.
- 在一个独立的数据集上,集成XGBoost和MERCI图案的整体模型获得了最高的性能 (AUC = 0.80;MCC = 0.45).
结论:
- 计算策略,特别是结合基于动机和机器学习方法的整体模型,显著改善了RA诱导的预测.
- 开发的模型和RAIpred网络服务器为评估治疗和食品中的蛋白质安全提供了有价值的工具.
- 这些发现有助于设计更安全的基于蛋白质的产品,并有助于了解RA的病原性.
