論文の概要: T-Cell Receptor Optimization with Reinforcement Learning and Mutation
Policies for Precesion Immunotherapy
- arxiv url: http://arxiv.org/abs/2303.02162v1
- Date: Thu, 2 Mar 2023 20:25:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 21:18:56.766918
- Title: T-Cell Receptor Optimization with Reinforcement Learning and Mutation
Policies for Precesion Immunotherapy
- Title(参考訳): プレセプション免疫療法におけるT細胞受容体最適化と強化学習と変異抑制
- Authors: Ziqi Chen, Martin Renqiang Min, Hongyu Guo, Chao Cheng, Trevor Clancy,
Xia Ning
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 21.004878412411053
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: T cells monitor the health status of cells by identifying foreign peptides
displayed on their surface. T-cell receptors (TCRs), which are protein
complexes found on the surface of T cells, are able to bind to these peptides.
This process is known as TCR recognition and constitutes a key step for immune
response. Optimizing TCR sequences for TCR recognition represents a fundamental
step towards the development of personalized treatments to trigger immune
responses killing cancerous or virus-infected cells. In this paper, we
formulated the search for these optimized TCRs as a reinforcement learning (RL)
problem, and presented a framework TCRPPO with a mutation policy using proximal
policy optimization. TCRPPO mutates TCRs into effective ones that can recognize
given peptides. TCRPPO leverages a reward function that combines the
likelihoods of mutated sequences being valid TCRs measured by a new scoring
function based on deep autoencoders, with the probabilities of mutated
sequences recognizing peptides from a peptide-TCR interaction predictor. We
compared TCRPPO with multiple baseline methods and demonstrated that TCRPPO
significantly outperforms all the baseline methods to generate positive binding
and valid TCRs. These results demonstrate the potential of TCRPPO for both
precision immunotherapy and peptide-recognizing TCR motif discovery.
- Abstract(参考訳): t細胞は表面に表示されている異物ペプチドを同定することで細胞の健康状態を監視する。
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、これらの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。
TCR認識のためのTCR配列の最適化は、がん細胞やウイルス感染細胞を殺傷する免疫反応を誘発するパーソナライズされた治療を開発するための基本的なステップである。
本稿では,これら最適化されたTCRの探索を強化学習(RL)問題として定式化し,近位ポリシー最適化を用いた突然変異ポリシー付きフレームワークTCRPPOを提案する。
TCRPPOはTCRを特定のペプチドを認識する効果的なものに変異させる。
TCRPPOは、ディープオートエンコーダに基づく新しいスコアリング関数によって測定される有効なTCRである変異配列の確率と、ペプチド-TCR相互作用予測器からペプチドを認識する変異配列の確率を組み合わせた報酬関数を利用する。
我々は,TCRPPOを複数のベースライン法と比較し,TRPPOが正の結合と有効なTCRを生成するために,すべてのベースライン法を著しく上回っていることを示した。
以上の結果から,TCRPPOの精度免疫療法およびペプチド認識型TCRモチーフ発見への応用が示唆された。
関連論文リスト
- pLMFPPred: a novel approach for accurate prediction of functional
peptides integrating embedding from pre-trained protein language model and
imbalanced learning [7.5449239162950965]
pLPredは、機能性ペプチドを予測し、有毒ペプチドを同定するためのツールである。
検証された独立テストセットでは、pLPredは精度、曲線下エリア - 受信者動作特性、F1スコア値はそれぞれ0.974、0.99、0.974が達成された。
論文 参考訳(メタデータ) (2023-09-25T17:57:39Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳(メタデータ) (2023-08-20T04:10:36Z) - 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) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - TCR: A Transformer Based Deep Network for Predicting Cancer Drugs
Response [12.86640026993276]
抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。
注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。
本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
論文 参考訳(メタデータ) (2022-07-10T13:01:54Z) - Attention-aware contrastive learning for predicting T cell
receptor-antigen binding specificity [7.365824008999903]
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。
論文 参考訳(メタデータ) (2022-05-17T10:53:32Z) - Sequence Transduction with Graph-based Supervision [96.04967815520193]
ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。
CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2021-11-01T21:51:42Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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) - COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital
Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。
1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文 参考訳(メタデータ) (2020-10-30T00:47:01Z)
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。