通过政策优化设计具有减少T细胞表位的蛋白质

科学领域:

• 计算生物学是一种计算生物学.
• 免疫信息学是指免疫信息学.
• 蛋白质工程是一种蛋白质工程.

背景情况:

• 深度生成模型正在推进用于治疗的蛋白质设计.
• 临床成功取决于免疫系统的兼容性,包括蛋白质体分裂,化和主要基因相容性复合体 (MHC) 第I类结合.
• 以前的模型通常将这些免疫反应步骤单独分析或对有限的MHC等位基因进行分析.

研究的目的:

• 为MHC Class I路径相互作用开发集成的计算预测器.
• 将使用证据深度学习的不确定性估计纳入其中.
• 为了生成针对各种MHC等位基因的免疫兼容性优化的蛋白质候选者.

主要方法:

• 在人类蛋白质上微调蛋白质语言模型.
• 利用群体相对政策优化 (GRPO) 来减少MHC I类表现.
• 实施课程学习框架,逐渐增加复杂性 (掩盖表位和MHC等位基因).

主要成果:

• 开发统一的不确定性估计,用于切割,化和约束预测.
• 一个蛋白质语言模型的成功对齐,以最大限度地减少MHC I类表位.
• 展示一种产生免疫兼容蛋白质候选者的策略.

结论:

• 开发的预测剂提供了一种统一的方法,用于在MHC Class I途径中建模免疫反应.
• GRPO和课程学习策略有效地减少了跨多种MHC等位基因的免疫原性表位.
• 这项工作通过考虑预测不确定性,推动了更安全,更有效的蛋白质疗法的设计.