以 NEO 革新个性化癌症疫苗：基于聚合前馈与循环神经网络 LSTM 架构的新抗原优化
机器学习
2024-11-05 v1 人工智能
定量方法
摘要
随着癌症病例持续增加，2023 年一项来自浙江大学和哈佛大学的研究预测到 2030 年病例将增加 31%，死亡人数将增加 21%，寻找更有效的癌症治疗方法的需求比以往任何时候都更加迫切。传统癌症治疗方法如化疗往往因缺乏靶向性而杀死健康细胞。相比之下，个性化癌症疫苗可以利用新抗原——癌细胞上常被免疫系统忽略的独特肽段——其与患者 MHC 具有强结合亲和力，从而提供更精准的治疗方案。选择能引发免疫反应的最优新抗原是一个耗时且昂贵的过程，因为现代预测方法需要大量输入。本项目旨在利用前馈神经网络（FFNN）和循环神经网络（RNN）实现更快、更便宜、更准确的新抗原结合预测。为此，我们创建了 NEO。NEO 需要下一代测序数据，并采用堆叠集成方法，通过计算最先进模型（MHCFlurry 1.6、NetMHCstabpan 1.0 和 IEDB）的得分来工作。该模型的架构包括一个 FFNN 和一个带有 LSTM 层的 RNN，能够分析序列和非序列数据。两个模型的结果被聚合以产生预测。使用该模型，个性化癌症疫苗可以取得更好的结果（AUC = 0.9166，召回率 = 91.67%）。
引用
@article{arxiv.2411.00885,
title = {Revolutionizing Personalized Cancer Vaccines with NEO: Novel Epitope Optimization Using an Aggregated Feed Forward and Recurrent Neural Network with LSTM Architecture},
author = {Nishanth Basava},
journal= {arXiv preprint arXiv:2411.00885},
year = {2024}
}