論文の概要: TCR-EML: Explainable Model Layers for TCR-pMHC Prediction

• arxiv url: http://arxiv.org/abs/2510.04377v1
• Date: Sun, 05 Oct 2025 21:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.616776
• Title: TCR-EML: Explainable Model Layers for TCR-pMHC Prediction
• Title（参考訳）: TCR-EML:TCR-pMHC予測のための説明可能なモデル層
• Authors: Jiarui Li, Zixiang Yin, Zhengming Ding, Samuel J. Landry, Ramgopal R. Mettu,
• Abstract要約: ペプチド-MHC(pMHC)複合体のT細胞受容体(TCR)認識は適応免疫の中心的な構成要素である。 本稿では,TCR-pMHCモデリングのためのタンパク質言語モデルバックボーンに組み込むことができる説明可能なモデル層(TCR-EML)を提案する。
• 参考スコア（独自算出の注目度）: 31.62439146845817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: T cell receptor (TCR) recognition of peptide-MHC (pMHC) complexes is a central component of adaptive immunity, with implications for vaccine design, cancer immunotherapy, and autoimmune disease. While recent advances in machine learning have improved prediction of TCR-pMHC binding, the most effective approaches are black-box transformer models that cannot provide a rationale for predictions. Post-hoc explanation methods can provide insight with respect to the input but do not explicitly model biochemical mechanisms (e.g. known binding regions), as in TCR-pMHC binding. ``Explain-by-design'' models (i.e., with architectural components that can be examined directly after training) have been explored in other domains, but have not been used for TCR-pMHC binding. We propose explainable model layers (TCR-EML) that can be incorporated into protein-language model backbones for TCR-pMHC modeling. Our approach uses prototype layers for amino acid residue contacts drawn from known TCR-pMHC binding mechanisms, enabling high-quality explanations for predicted TCR-pMHC binding. Experiments of our proposed method on large-scale datasets demonstrate competitive predictive accuracy and generalization, and evaluation on the TCR-XAI benchmark demonstrates improved explainability compared with existing approaches.
• Abstract（参考訳）: ペプチド-MHC(pMHC)複合体のT細胞受容体(TCR)認識は、ワクチン設計、癌免疫療法、自己免疫疾患に影響を及ぼす適応免疫の中心的な構成要素である。 最近の機械学習の進歩はTCR-pMHCバインディングの予測を改善しているが、最も効果的なアプローチはブラックボックストランスフォーマーモデルである。 ポストホックな説明法は、入力に関する洞察を与えることができるが、TCR-pMHC結合のように、生化学的機構(例えば、既知の結合領域)を明示的にモデル化するものではない。 ``Explain-by-Design''モデルは、他のドメインで検討されているが、TCR-pMHCバインディングには使われていない。 本稿では,TCR-pMHCモデリングのためのタンパク質言語モデルバックボーンに組み込むことができる説明可能なモデル層(TCR-EML)を提案する。 本手法では, 既知のTCR-pMHC結合機構から引き出されたアミノ酸残基接触のプロトタイプ層を用いて, 予測TCR-pMHC結合の高品質な説明を可能にする。 大規模データセットに対する提案手法の実験は、競合予測精度と一般化を実証し、TCR-XAIベンチマークによる評価は、既存の手法と比較して説明可能性の向上を示す。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Quantifying Cross-Attention Interaction in Transformers for Interpreting TCR-pMHC Binding [33.31929328499189]
  Quantifying Cross-Attention Interaction (QCAI) は、トランスフォーマーデコーダにおけるクロスアテンションメカニズムを解釈するために設計された新しいポストホック法である。 QCAIは、TCR-XAIベンチマークにおいて、解釈可能性と予測精度の両方で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-07-03T22:18:54Z)
• Enhancing TCR-Peptide Interaction Prediction with Pretrained Language Models and Molecular Representations [0.39945675027960637]
  本稿では,大規模タンパク質言語モデルとペプチドの化学表現を組み合わせたディープラーニングフレームワークLANTERNを提案する。 我々のモデルは、特にゼロショットと少数ショットの学習シナリオにおいて、優れたパフォーマンスを示す。 これらの結果は, LANTERNがTCR-pMHC結合予測を前進させ, パーソナライズされた免疫療法の開発を支援する可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-04-22T20:22:34Z)
• T-cell receptor specificity landscape revealed through de novo peptide design [2.1892916695245224]
  我々はT細胞受容体(TCR)とMHC(Major Histocompatibility Complexs)に提示されるペプチドとの相互作用を予測するための計算手法を導入する。 HERMESは、タンパク質の宇宙で訓練された構造に基づく物理誘導機械学習モデルであり、局所構造環境に基づいてアミノ酸の嗜好を予測する。 本手法は免疫原性ペプチドおよびネオ抗原設計のためのプラットフォームとTCR特異性の評価のためのプラットフォームを提供し,人工T細胞療法とワクチンの設計を知らせる計算フレームワークを提供する。
  論文  参考訳（メタデータ） (2025-03-01T22:45:19Z)
• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• From Cloze to Comprehension: Retrofitting Pre-trained Masked Language Model to Pre-trained Machine Reader [130.45769668885487]
  Pre-trained Machine Reader (PMR) は、ラベル付きデータを取得することなく、MLMを事前学習機械読解(MRC)モデルに適合させる新しい手法である。 提案したPMRを構築するために,多量の汎用および高品質なMRCスタイルのトレーニングデータを構築した。 PMRは、MRCの定式化における様々な抽出および分類タスクに対処するための統一モデルとして機能する可能性がある。
  論文  参考訳（メタデータ） (2022-12-09T10:21:56Z)
• 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)
• 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)

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。