对预测TCR-epitope绑定识别的计算方法的评估
Yanping Lu1,2,3, Yuyan Wang1, Meng Xu1,4,5
1Guangzhou National Laboratory, Guangzhou, China.
Nature methods
|November 29, 2025
概括
预测T细胞受体 (TCR) -表位相互作用对于免疫学至关重要. 这项研究评估了50个模型,发现数据集质量和特征多样性显著影响TCR-epitope预测准确度.
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:
- T细胞受体 (TCRs) 是适应性免疫的关键,识别特定的表位.
- 准确预测TCR-表皮质相互作用对于免疫学研究和治疗开发至关重要.
- 现有用于TCR-epitope预测的计算模型缺乏全面的性能评估.
研究的目的:
- 系统地评估最先进的TCR-epitope预测模型的性能.
- 识别影响模型准确性的因素,如数据集特征和特征包含.
- 为开发更强大,更普遍的预测工具提供见解.
主要方法:
- 使用21个不同的数据集评估了50个计算模型.
- 包括数十万个有约束力的TCR和762个表位.
- 分析了负TCR源,数据集大小和特征表示对模型性能的影响.
主要成果:
- 模型准确性对负TCR数据的来源非常敏感.
- 每个表位的更大,更多样化的TCR数据集与改进的模型性能相关.
- 使用多个特征的模型通常优于仅依赖于互补性决定区域3β (CDR3β) 序列的模型.
- 所有模型都在概括到未见的表征上表现出局限性.
结论:
- 选择负的TCR和数据集质量对于可靠的TCR-epitope预测至关重要.
- 未来的模型开发应该优先考虑多样化的特征和大型,精心策划的数据集.
- 独立测试对于不偏见的模型评估至关重要,特别是对新型表征的概括.


