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
- TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - DANCE: Deep Learning-Assisted Analysis of Protein Sequences Using Chaos Enhanced Kaleidoscopic Images [4.824821328103934]
癌は、制御不能な細胞増殖を特徴とする複雑な疾患である。
T細胞受容体(TCR)は、癌に関連する抗原の認識において重要な役割を担っている。
近年のシークエンシング技術の進歩は、TCRレパートリーの包括的なプロファイリングを促進している。
論文 参考訳（メタデータ） (2024-09-10T17:55:59Z) - TCR-GPT: Integrating Autoregressive Model and Reinforcement Learning for T-Cell Receptor Repertoires Generation [6.920411338236452]
T細胞受容体(TCR)は、感染またはがん細胞によって提示される特定の抗原を認識し、結合することによって免疫系において重要な役割を担っている。
自動回帰変換器のような言語モデルは、TCRレパートリーの確率分布を学習することで強力な解を提供する。
本稿では,デコーダのみのトランスアーキテクチャ上に構築された確率モデルTCR-GPTを紹介する。
論文 参考訳（メタデータ） (2024-08-02T10:16:28Z) - HiDe-PET: Continual Learning via Hierarchical Decomposition of Parameter-Efficient Tuning [55.88910947643436]
予備学習モデル(PTM)とパラメータ効率チューニング(PET)を組み合わせた連続学習(CL)統合フレームワークを提案する。
タスク固有知識とタスク共有知識を取り入れることで目的を明示的に最適化する革新的な手法である階層分解PET(HiDe-PET)を提案する。
提案手法は,近年の強いベースラインの幅広いスペクトルに対して,極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-07T01:50:25Z) - A large language model for predicting T cell receptor-antigen binding specificity [4.120928123714289]
本稿では,モデル一般化の限界を克服するMasked Language Model (MLM)を提案する。
具体的には、ランダムにシーケンスセグメントをマスキングし、tcrLMをトレーニングしてマスクセグメントを推論し、TCRシーケンスから表現的特徴を抽出する。
実験の結果,tcrLM は独立テストセットと外部検証セットで 0.937 と 0.933 の AUC 値を達成できた。
論文 参考訳（メタデータ） (2024-06-24T08:36:40Z) - Reflecting on the State of Rehearsal-free Continual Learning with Pretrained Models [63.11967672725459]
単純かつ軽量なPEFTベースラインによるP-RFCL手法の整合性を示す。
P-RFCL の手法が,単純で軽量な PEFT ベースラインでマッチング可能であることを示す。
論文 参考訳（メタデータ） (2024-06-13T17:57:10Z) - 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) - 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)
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。