量化 Transformer 中 TCR-pMHC 结合的交叉注意力交互

CD8+ “杀伤” T 细胞和 CD4+ “帮助” T 细胞在通过 T 细胞受体 (TCRs) 识别由主要淋巴细胞抗原呈递分子 (pMHC) 呈递的抗原时，在适应性免疫系统中发挥核心作用。对 T 细胞与 pMHC 复合物结合的建模是理解人类免疫反应基本机制以及 developing 疗法的基础。虽然诸如 TULIP 等基于 transformer 的模型在该领域取得了令人瞩目的性能力，但其黑箱本质阻碍了可解释性，从而限制了对 T 细胞反应更深入的机制性理解。大多数现有的事后解释性人工智能 (XAI) 方法局限于 encoder-only、co-attention 或模型特定体系结构，无法处理用于 TCR-pMHC 建模的 encoder-decoder transformer。为填补这一差距，我们提出了量化交叉注意力交互 (QCAI)，一种新的事后方法，旨在解释 transformer 解码器中的交叉注意力机制。量化 XAI 方法面临解释性挑战；我们编织了 TCR-XAI 数据集，包含 274 个实验确定的 TCR-pMHC 结构，用作结合的基准。使用这些结构，我们计算 TCR-pMHC 相互作用区域内相关氨基酸残基之间的物理距离，并评估我们的 метод和其他方法在整个数据集上估计该区域重要性的准确性。我们表明 QCAI 在 TCR-XAI 基准的可解释性和预测准确性方面实现了最佳性能。