一种基于机器学习的方法,以优化人类白细胞抗原类I限制新抗原的免疫性
Jinhong Zhang1, Weijun Zhou2, Jinyi Yu3
1Centre for Bioinformatics and Intelligent Medicine, College of Computer Science, Nankai University, 38 Tongyan Road, Jinnan District, Tianjin 300350, China.
Briefings in bioinformatics
|November 5, 2025
概括
一种新的机器学习方法,Naso,优化瘤新抗原,以获得更强的免疫反应. 它增强了新抗原的免疫性,将非反应性抗原转化为癌症疫苗的强有力的激活剂.
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:
- 来自体质突变的新抗原可以触发抗瘤免疫反应.
- 自然的新抗原是罕见的,需要方法来增强其免疫性.
- 目前的优化侧重于HLA亲和力,忽视了免疫性增强.
研究的目的:
- 开发一种基于机器学习的方法 (Naso) 来优化新抗原免疫性.
- 为了改善新抗原驱动的抗瘤免疫反应和交叉免疫.
- 创建基于新抗原的有效异性临床癌症疫苗.
主要方法:
- 开发了Naso,这是一种机器学习方法,集成模拟回火搜索和多目标培训.
- 实施了搜索空间优化策略,以提高计算效率.
- 对Naso的性能与现有的新抗原优化技术进行了评估.
主要成果:
- 纳索在增强新抗原免疫性方面显著优于现有方法.
- 纳索可以将非免疫反应性新抗原转化为具有最小突变 (≤3氨基酸) 的免疫反应性新抗原.
- 纳索在结合亲和力和抗原呈现方面取得了竞争性结果.
结论:
- 纳索优化的新抗原有效地引起免疫反应并促进交叉免疫.
- 纳索促进了基于新抗原的新型异性临床癌症疫苗的开发.
- 纳索方法为改善癌症免疫治疗策略提供了一个有希望的方法.
