用于预测抗原与 HLA 和 TCR 分子结合特异性的统一交叉注意力模型
生物大分子
2025-01-13 v2 机器学习
摘要
免疫检查点抑制剂在多种肿瘤类型中展现出可期的临床疗效，但能从中获益的患者比例仍然较低。肿瘤抗原与 HLA-I/TCR 分子的结合决定了抗原呈递与 T 细胞活化，从而在免疫治疗反应中发挥重要作用。本文提出 UnifyImmun，一种统一的交叉注意力 Transformer 模型，旨在同时预测肽段与这两种受体的结合，为抗原免疫原性提供更全面的评估。我们设计了一种采用虚拟对抗训练的两阶段策略，通过促使编码器提取更具表达力的特征，使这两个任务相互增强。该方法在多个独立的外部测试集上预测 pHLA 和 pTCR 结合均展现出优越的性能。值得注意的是，在一个训练集中未见过任何肽段的大规模 COVID-19 pTCR 结合测试集上，该方法比当前 SOTA 方法高出 10% 以上。预测的结合分数与两个临床队列的免疫治疗反应和临床结局显著相关。此外，交叉注意力分数与积分梯度揭示了肽段与受体结合的关键氨基酸位点。本质上，该方法标志着向全面评估抗原免疫原性迈出了重要一步。
引用
@article{arxiv.2405.06653,
title = {A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules},
author = {Chenpeng Yu and Xing Fang and Hui Liu},
journal= {arXiv preprint arXiv:2405.06653},
year = {2025}
}
备注
Accepted by Nature Machine Intelligence