基于遷移學習的MHC-I型抗原表位呈遞預測
關鍵詞：免疫治療 新抗原 抗原呈遞 深度學習 遷移學習
摘要：基于新抗原的腫瘤免疫治療,抗原呈遞的準確預測是篩選T細胞特異性表位的關鍵步驟。質譜鑒定的表位數據對建立抗原呈遞預測模型具有重要價值。盡管近年來質譜數據的積累持續增加,但是大部分人類白細胞抗原(humanleukocyte antigen,HLA)分型所對應的多肽數量相對較少,無法建立可靠的預測模型。為此,本研究嘗試利用遷移學習的方法,先利用混合分型的表位數據建立模型以識別抗原表位的共同特征,在此預訓練模型的基礎上再利用分型特異性數據建立抗原呈遞預測模型Pluto。在相同的驗證集上,Pluto的平均0.1%陽性預測值(positive predictive value,PPV)比從頭訓練的模型高0.078。在外部的質譜數據獨立評估上,Pluto的平均0.1%PPV為0.4255,高于從頭訓練模型(0.3824)和其他主流工具,包括MixMHCpred(0.3369)、NetMHCpan4.0-EL(0.4000)、NetMHCpan4.0-BA(0.3188)和MHCflurry(0.3002)。此外,在免疫原性預測評估上,Pluto相對于其他工具也能找到更多的新抗原。Pluto開源網址:https://github.com/weipenegHU/Pluto。
遺傳雜志要求:
{1}參考文獻盡可能使用近5年公開發表的文獻，數量在10—30條，采用順序編碼制著錄，依照其在文中出現的先后順序用阿拉伯數字標出，并將序號置于方括號中，排列于文后。
{2}稿件自來稿之日起三個月內未接到本刊錄用通知，作者可自行處理。本刊對決定采用的稿件有權進行刪改。
{3}如果能用文字簡潔說明的內容就不必列表。圖、表按其在正文中出現的先后次序連續編碼,每幅圖表應冠有圖表序號及圖題、表題。
{4}基金項目：獲得基金資助產出的文章應注明基金項目名稱，并在括號內注明其項目編號。
{5}關鍵詞是反映論文主題概念的詞或詞組，為了便于檢索，一般應選取稿件中的關鍵性詞組，數量要適中，3~8個。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
