基于卷积神经网络的 HLA class I 结合预测
定量方法
2017-04-14 v2 机器学习
摘要
许多生物学过程受蛋白质-配体相互作用的调控。免疫系统对自身与非自身细胞的识别就是这样一个例子。这种免疫反应过程由主要组织相容性复合体 (MHC) 蛋白调控，该蛋白由人类白细胞抗原 (HLA) 复合体编码。理解 MHC 与多肽之间的结合潜力有助于为感染性自身免疫疾病设计更有效的多肽疫苗和免疫疗法。我们应用自然语言处理 (NLP) 领域的机器学习技术来解决 MHC-多肽结合预测任务。更具体地说，我们引入了一种新的氨基酸分布式表示，命名为 HLA-Vec，可用于各种下游蛋白质组学机器学习任务。随后，我们提出了一种深度卷积神经网络架构，命名为 HLA-CNN，用于 HLA class I-多肽结合预测任务。实验结果表明，将新的分布式表示与我们的 HLA-CNN 架构相结合，在最新两期 Immune Epitope Database (IEDB) 每周自动基准数据集的大多数中取得了 state-of-the-art 的结果。我们进一步应用我们的模型预测人类基因组上的结合，并鉴定出 15 个具有自身结合潜力的基因。
引用
@article{arxiv.1701.00593,
title = {HLA class I binding prediction via convolutional neural networks},
author = {Yeeleng Scott Vang and Xiaohui Xie},
journal= {arXiv preprint arXiv:1701.00593},
year = {2017}
}
备注
12 pages, 4 figures, 4 tables