論文の概要: Attention-aware contrastive learning for predicting T cell
receptor-antigen binding specificity
- arxiv url: http://arxiv.org/abs/2206.11255v1
- Date: Tue, 17 May 2022 10:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-12 20:59:53.937608
- Title: Attention-aware contrastive learning for predicting T cell
receptor-antigen binding specificity
- Title(参考訳): T細胞受容体抗原結合特異性予測のための注意型コントラスト学習
- Authors: Yiming Fang, Xuejun Liu, and Hui Liu
- Abstract要約: 細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。
そこで本研究では,TCR-抗原結合特異性を推定するためのattentive-mask contrastive learning model,ATMTCRを提案する。
- 参考スコア(独自算出の注目度): 7.365824008999903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has been verified that only a small fraction of the neoantigens presented
by MHC class I molecules on the cell surface can elicit T cells. The limitation
can be attributed to the binding specificity of T cell receptor (TCR) to
peptide-MHC complex (pMHC). Computational prediction of T cell binding to
neoantigens is an challenging and unresolved task. In this paper, we propose an
attentive-mask contrastive learning model, ATMTCR, for inferring TCR-antigen
binding specificity. For each input TCR sequence, we used Transformer encoder
to transform it to latent representation, and then masked a proportion of
residues guided by attention weights to generate its contrastive view.
Pretraining on large-scale TCR CDR3 sequences, we verified that contrastive
learning significantly improved the prediction performance of TCR binding to
peptide-MHC complex (pMHC). Beyond the detection of important amino acids and
their locations in the TCR sequence, our model can also extracted high-order
semantic information underlying the TCR-antigen binding specificity. Comparison
experiments were conducted on two independent datasets, our method achieved
better performance than other existing algorithms. Moreover, we effectively
identified important amino acids and their positional preferences through
attention weights, which indicated the interpretability of our proposed model.
- Abstract(参考訳): 細胞表面のMHCクラスI分子によって提示される新規抗原のごく一部のみがT細胞を誘導できることが確認されている。
この制限はT細胞受容体(TCR)とペプチド-MHC複合体(pMHC)との結合特異性に起因する。
T細胞とネオ抗原との結合の計算的予測は困難で未解決の課題である。
本稿では,TCR-抗原結合特異性を推定するための注意的マスクコントラスト学習モデルATMTCRを提案する。
入力TCRシーケンス毎に,Transformerエンコーダを用いて遅延表現に変換し,アテンション重みによって導かれる残余の比率を隠蔽し,そのコントラストビューを生成した。
ペプチド-MHC複合体(pMHC)へのTCR結合の予測性能は,大規模TCR CDR3配列より有意に向上した。
また,TCR配列中の重要なアミノ酸とその位置を検出するだけでなく,TCR-抗原結合特異性に基づく高次セマンティック情報も抽出できる。
2つの独立したデータセットで比較実験を行い,従来のアルゴリズムよりも優れた性能を得た。
さらに,重要アミノ酸とその位置選好を注意重みによって効果的に同定し,提案モデルの解釈可能性を示した。
関連論文リスト
- DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction [38.358558338444624]
本稿では,TCR-抗原結合親和性予測のためのドメイン適応型ペプチド非依存的学習フレームワークDapPepを紹介する。
DapPepは既存のツールを一貫して上回り、堅牢な一般化能力を示している。
腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床課題に有効である。
論文 参考訳(メタデータ) (2024-11-26T18:06:42Z) - tcrLM: a lightweight protein language model for predicting T cell receptor and epitope binding specificity [4.120928123714289]
抗がん免疫反応はT細胞受容体(TCR)と抗原の結合に依存しており、腫瘍細胞を除去するために適応免疫を誘導する。
本研究では,この課題に対処するために,tcrLMと呼ばれる軽量なマスキング言語モデルを提案する。
我々は,1億以上の異なる配列を持つ最大のTCR CDR3 配列を構築し,これらの配列上で tcrLM を事前訓練する。
その結果、tcrLMは既存のTCR-抗原結合予測法を上回るだけでなく、他の主要なタンパク質言語モデルよりも優れていることが示された。
論文 参考訳(メタデータ) (2024-06-24T08:36:40Z) - Efficient Prediction of Peptide Self-assembly through Sequential and
Graphical Encoding [57.89530563948755]
この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。
等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
論文 参考訳(メタデータ) (2023-07-17T00:43:33Z) - T Cell Receptor Protein Sequences and Sparse Coding: A Novel Approach to
Cancer Classification [4.824821328103934]
T細胞受容体(TCR)は、適応免疫系に必須のタンパク質である。
近年のシークエンシング技術の進歩により、TCRレパートリーの包括的なプロファイリングが可能になった。
これにより、強力な抗がん活性を持つTCRの発見とTCRベースの免疫療法の開発につながった。
論文 参考訳(メタデータ) (2023-04-25T20:43:41Z) - T-Cell Receptor Optimization with Reinforcement Learning and Mutation
Policies for Precesion Immunotherapy [21.004878412411053]
T細胞受容体(TCR)は、T細胞の表面にあるタンパク質複合体であり、ペプチドに結合することができる。
このプロセスはTCR認識と呼ばれ、免疫応答の重要なステップを構成する。
本稿では、強化学習問題として最適化されたTCRの探索を定式化し、突然変異ポリシーを備えたフレームワークTCRPPOを提案する。
論文 参考訳(メタデータ) (2023-03-02T20:25:14Z) - Pre-training Co-evolutionary Protein Representation via A Pairwise
Masked Language Model [93.9943278892735]
タンパク質配列表現学習の鍵となる問題は、配列中の残基間の共変量によって反映される共進化情報をキャプチャすることである。
Pairwise Masked Language Model (PMLM) と呼ばれる専用言語モデルによる事前学習により,この情報を直接キャプチャする新しい手法を提案する。
提案手法は, 相互関係を効果的に把握し, ベースラインと比較して, 接触予測性能を最大9%向上できることを示す。
論文 参考訳(メタデータ) (2021-10-29T04:01:32Z) - TITAN: T Cell Receptor Specificity Prediction with Bimodal Attention
Networks [0.5371337604556311]
TCRシーケンスとepITopeの両方をエンコードするバイモーダルニューラルネットワークを提案し、見えないシーケンスと転送/またはに対する能力の独立した研究を可能にする。
tcr距離ニューラルネットワークは、未認識のtcrにおいて競合性能を示す。
tcr距離ニューラルネットワークは、未認識のtcrでも競合性能を示す。
論文 参考訳(メタデータ) (2021-04-21T09:25:14Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-06T20:20:22Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳(メタデータ) (2020-01-27T22:38:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。