通过免疫指纹的几何深度学习来解码TCR识别
Chun Shang1,2, Kevin C Chan3, Ruhong Zhou1,2,4,5
1College of Physics, College of Life Sciences, and Institute of Quantitative Biology, Zhejiang University, 866 Yuhangtang Road, Hangzhou 310058, China.
Briefings in bioinformatics
|March 16, 2026
概括
一个新的深度学习模型通过预测-MHC结合来解码T细胞受体 (TCR) 识别. 这个框架揭示了"免疫学指纹",以了解免疫反应和指导治疗.
科学领域:
- 免疫学 免疫学 免疫学
- 结构生物学 结构生物学
- 计算生物学 计算生物学
背景情况:
- 对于适应性免疫,病原体防御和自我耐受性来说,T细胞受体 (TCR) 对主要基因相容性复合体 (pMHC) 的识别至关重要.
- 尽管有大量的结构数据,但了解TCR特异性和交叉反应性仍然具有挑战性.
- 现有的结构分析很难捕捉控制TCR-pMHC相互作用的复杂特征.
研究的目的:
- 开发一个深度学习框架,用于预测pMHC分子的TCR识别.
- 确定驱动TCR-pMHC参与的关键结构和物理化学特征.
- 为TCR特异性和交叉反应性提供可解释的见解.
主要方法:
- 开发了一个多式几何深度学习框架,从pMHC接口中提取空间和物理化学特征.
- 将模型应用于HLA-A*02--TCR晶体结构的数据集,用于培训和验证.
- 集成了一个可解释性模块,以识别关键相互作用残留物和动机.
主要成果:
- 深度学习模型准确地预测了TCR的约束偏好.
- 确定了独特的接口"免疫学指纹",这决定了TCR识别.
- 透露了使用HLA-B*27复合体的自我和细菌之间的潜在TCR交叉反应.
结论:
- 建立了一个可扩展的,基于结构的深度学习方法来解码T细胞识别.
- 该框架为TCR特异性决定因素提供了可解释的见解.
- 为抗原设计,疫苗开发和基于TCR的免疫疗法提供了强大的工具.


