論文の概要: A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules
- arxiv url: http://arxiv.org/abs/2405.06653v2
- Date: Fri, 10 Jan 2025 15:02:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-13 18:45:04.966568
- Title: A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules
- Title（参考訳）: HLA分子とTCR分子の抗原結合特異性予測のための統合的クロスアテンションモデル
- Authors: Chenpeng Yu, Xing Fang, Hui Liu,
- Abstract要約: 免疫チェックポイント阻害剤は様々な種類の腫瘍に対して有望な臨床効果を示した。
腫瘍抗原とHLA-I/TCR分子との結合は抗原提示とT細胞活性化を決定する。
両受容体へのペプチドの結合を同時に予測するために設計された,統合型クロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
- 参考スコア（独自算出の注目度）: 4.501817929699959
- License:
- Abstract: The immune checkpoint inhibitors have demonstrated promising clinical efficacy across various tumor types, yet the percentage of patients who benefit from them remains low. The bindings between tumor antigens and HLA-I/TCR molecules determine the antigen presentation and T-cell activation, thereby playing an important role in the immunotherapy response. In this paper, we propose UnifyImmun, a unified cross-attention transformer model designed to simultaneously predict the bindings of peptides to both receptors, providing more comprehensive evaluation of antigen immunogenicity. We devise a two-phase strategy using virtual adversarial training that enables these two tasks to reinforce each other mutually, by compelling the encoders to extract more expressive features. Our method demonstrates superior performance in predicting both pHLA and pTCR binding on multiple independent and external test sets. Notably, on a large-scale COVID-19 pTCR binding test set without any seen peptide in training set, our method outperforms the current state-of-the-art methods by more than 10\%. The predicted binding scores significantly correlate with the immunotherapy response and clinical outcomes on two clinical cohorts. Furthermore, the cross-attention scores and integrated gradients reveal the amino-acid sites critical for peptide binding to receptors. In essence, our approach marks a significant step toward comprehensive evaluation of antigen immunogenicity.
- Abstract（参考訳）: 免疫チェックポイント阻害薬は様々な種類の腫瘍に対して有望な臨床効果を示したが、それらの恩恵を受ける患者の割合は依然として低い。
腫瘍抗原とHLA-I/TCR分子との結合により、抗原提示とT細胞活性化が決定され、免疫療法応答において重要な役割を果たす。
本稿では,両受容体へのペプチドの結合を同時に予測し,抗原の免疫原性をより包括的に評価する統合型クロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
エンコーダにより表現力のある特徴を抽出するよう促すことにより、これらの2つのタスクを相互に強化できる仮想対角訓練を用いた2段階戦略を考案する。
本手法は,pHLAとpTCRの結合を複数の独立および外部テストセット上で予測する上で,優れた性能を示す。
特に、トレーニングセットにペプチドを含まない大規模なpTCR結合テストセットでは、現在の最先端手法よりも10倍以上優れています。
予測された結合スコアは2つの臨床コホートに対する免疫療法反応と臨床結果と有意な相関を示した。
さらに、クロスアテンションスコアと統合勾配は、受容体へのペプチド結合に不可欠なアミノ酸部位を明らかにする。
本手法は, 抗原免疫原性に関する総合的な評価に向けた重要な一歩である。
関連論文リスト
- Relation-Aware Equivariant Graph Networks for Epitope-Unknown Antibody Design and Specificity Optimization [61.06622479173572]
本稿では,抗原特異的CDRの構造と共同設計配列に対する抗原抗体相互作用をモデル化するRAADフレームワークを提案する。
さらに, 抗体特異度をよりよく測定し, 抗体特異度を最適化するコントラスト特異的エンハンス制約を開発するための新しい評価指標を提案する。
論文 参考訳（メタデータ） (2024-12-14T03:00:44Z) - 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) - Evaluating Zero-Shot Scoring for In Vitro Antibody Binding Prediction
with Experimental Validation [0.08968838300743379]
オープンソースモデルに基づく8つの共通スコアリングパラダイムを比較して,抗体設計をバインダーやノンバインダーとして分類する。
その結果,既存手法はバインダーの検出に苦慮しており,抗原間では高い変動が認められた。
論文 参考訳（メタデータ） (2023-12-07T23:34:03Z) - AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires [6.918664738267051]
本稿では,TCRレパートリーの低次元,解釈可能,構成的表現を学習し,レパートリーの系統的効果を阻害する適応型免疫レパートリー不変変分オートエンコーダ(AIRIVA)を提案する。
論文 参考訳（メタデータ） (2023-04-26T14:40:35Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-12-16T13:57:41Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - 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) - PaccMann$^{RL}$ on SARS-CoV-2: Designing antiviral candidates with
conditional generative models [2.0750380105212116]
新型コロナウイルス(COVID-19)の世界的なパンデミックへの急速な発展に伴い、世界中の科学者が、効果的な抗ウイルス治療薬を必死に探している。
タンパク質標的に適合した抗ウイルス候補薬の条件付きデノボ設計のための深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-27T11:30:15Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。