CNNeoPP:一个大型语言模型增强的深度学习管道,用于个性化的新抗原预测和液体活检应用

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
• 基因组学就是基因组学.

背景情况:

• 新抗原对于个性化癌症免疫疗法至关重要.
• 准确预测免疫原性新抗原是当前模型的挑战.

研究的目的:

• 介绍深度学习新抗原预测模型CNNeo和新抗原发现计算管道CNNeoPP.
• 通过独立的数据集和实验分析来验证CNNeoPP的性能.
• 探索使用无血细胞DNA的非侵入性新抗原预测.

主要方法:

• 开发了CNNeo,使用大型语言模型序列表示和多模式功能集成.
• 将CNNeo集成到CNNeoPP计算管道中.
• 通过TESLA数据集和ELISpot T细胞测定验证了CNNeoPP.
• 对无血细胞DNA进行了概念验证研究,用于非侵入性预测.

主要成果:

• 与现有工具相比,CNNeo展示了优越的新抗原预测性能.
• 在独立的数据集和实验分析中,CNNeoPP显示出强大的验证.
• 增加测序深度提高了细胞自由DNA中新抗原的检测能力.
• 在CNNeoPP的优先级策略中,新抗原检测得到了增强.

结论:

• CNNeo和CNNeoPP为新抗原预测提供了强大的工具.
• 这些工具对优化癌症免疫治疗具有重大意义.
• 这项研究支持通过液体活检进行非侵入性新抗原预测的可行性.