弱监督的-TCR结合预测可以促进新抗原的识别.
Yuli Gao1, Yicheng Gao1, Siqi Wu1
1Department of Hematology, Tongji Hospital, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, Shanghai 200092, China; Shanghai Key Laboratory of Anesthesiology and Brain Functional Modulation, Clinical Research Center for Anesthesiology and Perioperative Medicine, Translational Research Institute of Brain and Brain-Like Intelligence, Shanghai Fourth People's Hospital, Frontier Science Center for Stem Cell Research, Bioinformatics Department, School of Life Sciences and Technology, Tongji University, Shanghai 200092, China.
识别用于癌症免疫治疗的T细胞新抗原是复杂的. 新的框架TCRBagger通过建模患者特定的T细胞受体配置文件来增强个性化的新抗原预测,以改善免疫性评估.
科学领域:
- 计算生物学是一种计算生物学.
- 免疫学 免疫学 免疫学
- 生物信息学是一种生物信息学.
背景情况:
- 新抗原鉴定对于瘤免疫疗法至关重要,但在计算上具有挑战性.
- 目前的方法往往忽略了患者特定的T细胞受体 (TCR) 配置文件,限制了新抗原免疫性评估.
- 现有的工具在现实世界中的新抗原识别中面临性能和应用限制.
研究的目的:
- 开发一个新的框架,TCRBagger,用于增强个性化新抗原识别.
- 整合自我监督,否定和多实例学习 (MIL) 来建模-TCR结合.
- 通过考虑患者特定的TCR配置文件,改善免疫原性新抗原的预测.
主要方法:
- 开发了TCRBagger,这是一个弱监督的学习框架,利用样本特定的TCR配置文件的包装.
- 整合了三种学习策略:自主监督学习,无声化和多级学习 (MIL).
- 模拟-TCR结合相互作用以识别免疫新抗原.
主要成果:
- 与现有的新抗原预测工具相比,TCRBagger表现出卓越的性能.
- 该框架有效地模拟了-TCR特征相互作用,以加强免疫原性识别.
- 提高了针对个性化瘤免疫疗法的免疫原性新抗原识别能力.
结论:
- TCRBagger为模拟-TCR相互作用提供了一种新的视角和方法.
- 该框架促进了针对瘤免疫治疗的个性化新抗原识别.
- TCRBagger提高了新抗原预测工具的准确性和适用性.


