論文の概要: Data-driven Discovery of Biophysical T Cell Receptor Co-specificity Rules

• arxiv url: http://arxiv.org/abs/2412.13722v2
• Date: Wed, 30 Apr 2025 13:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.189553
• Title: Data-driven Discovery of Biophysical T Cell Receptor Co-specificity Rules
• Title（参考訳）: データによる生体物理T細胞受容体共特異性規則の発見
• Authors: Andrew G. T. Pyo, Yuta Nagano, Martina Milighetti, James Henderson, Curtis G. Callan Jr., Benny Chain, Ned S. Wingreen, Andreas Tiffeau-Mayer,
• Abstract要約: T細胞受容体(TCR)とその細胞免疫応答との生物学的相互作用は、応答の特異性を決定する。 本稿では,TCRがリガンドに特異性を共有するかどうかを予測する,生物物理規則の発見のための最適化フレームワークを提案する。 本分析により, 置換アミノ酸間の立体特性のマッチングは, 進化置換性を顕著に決定する性質よりも, 共特異性レッドの方が重要であることが明らかとなった。
• 参考スコア（独自算出の注目度）: 6.542616205670891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The biophysical interactions between the T cell receptor (TCR) and its ligands determine the specificity of the cellular immune response. However, the immense diversity of receptors and ligands has made it challenging to discover generalizable rules across the distinct binding affinity landscapes created by different ligands. Here, we present an optimization framework for discovering biophysical rules that predict whether TCRs share specificity to a ligand. Applying this framework to TCRs associated with a collection of SARS-CoV-2 peptides we systematically characterize how co-specificity depends on the type and position of amino-acid differences between receptors. We also demonstrate that the inferred rules generalize to ligands highly dissimilar to any seen during training. Our analysis reveals that matching of steric properties between substituted amino acids is more important for receptor co-specificity red than the hydrophobic properties that prominently determine evolutionary substitutability. Our analysis also quantifies the substantial importance of positions not in direct contact with the peptide for specificity. These findings highlight the potential for data-driven approaches to uncover the molecular mechanisms underpinning the specificity of adaptive immune responses.
• Abstract（参考訳）: T細胞受容体(TCR)とそのリガンド間の生物学的相互作用は、細胞免疫応答の特異性を決定する。 しかし、受容体とリガンドの膨大な多様性は、異なるリガンドによって生成される異なる結合親和性景観にまたがる一般化可能な規則の発見を困難にしている。 本稿では,TCRがリガンドに特異性を共有しているかどうかを予測する,生物物理規則の発見のための最適化フレームワークを提案する。 このフレームワークをSARS-CoV-2ペプチドの集合体に関連するTCRに適用することにより、共特異性は受容体間のアミノ酸相違のタイプと位置にどのように依存するかを系統的に特徴づける。 また, 推定規則は, トレーニング中に見られたリガンドに非常に相違があることを実証した。 本分析により, 置換アミノ酸間の立体的特性のマッチングは, 進化置換性を顕著に決定する疎水性特性よりも赤色の受容体共特異性において重要であることが明らかとなった。 また, 本分析は, ペプチドと直接接触しない位置の特異性の重要性を定量化した。 これらの知見は、適応免疫応答の特異性を支える分子機構を明らかにするためのデータ駆動アプローチの可能性を明らかにする。

関連論文リスト

• T-cell receptor specificity landscape revealed through de novo peptide design [2.37499051649312]
  主要組織適合性複合体(MHC)に発現するT細胞受容体(TCR)と病原体由来ペプチドの効果的な結合は免疫応答を媒介する。 本稿では,MHCクラスIアレルに提示されるペプチドとのTCR相互作用を予測し,特定のTCR-MHC複合体に新規な免疫原性ペプチドを設計するための計算手法を提案する。 本手法は免疫原性ペプチドとネオ抗原設計のためのプラットフォームを提供し,ウイルスや癌に対するT細胞ワクチン開発のための新しい計算経路を開拓する。
  論文  参考訳（メタデータ） (2025-03-01T22:45:19Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [60.93245342663455]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• 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)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules [4.501817929699959]
  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。
  論文  参考訳（メタデータ） (2024-04-08T08:25:25Z)
• evolSOM: an R Package for evolutionary conservation analysis with SOMs [0.4972323953932129]
  本稿では,生物変数の保存を探索・可視化するために,自己組織化マップ(SOM)を利用した新しいRパッケージであるevolSOMを紹介する。 パッケージは自動的に変位を計算し、図形的に表示し、保存された変数と変位した変数を効率よく比較および明らかにする。 EvolSOMを用いて遺伝子および表現型形質の変位を解析し、草葉における表現型分化の潜在的な要因を同定した。
  論文  参考訳（メタデータ） (2024-02-09T20:33:48Z)
• GPCR-BERT: Interpreting Sequential Design of G Protein Coupled Receptors Using Protein Language Models [5.812284760539713]
  我々はGPCR結合受容体(GPCR)のシーケンシャル設計を理解するためのGPCR-BERTモデルを開発した。 GPCRはFDAが承認した医薬品の3分の1以上を標的としている。 我々は、結合ポケットの残基と保存モチーフのいくつかの関係について光を当てることができた。
  論文  参考訳（メタデータ） (2023-10-30T18:28:50Z)
• 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)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• 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)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。