利用图神经网络理解人类先天免疫系统依赖关系
机器学习
2021-08-09 v1
摘要
自 Covid-19 迅速爆发且迄今尚无获批疫苗以来，人们产生了深刻理解针对病毒的先天免疫反应的研究兴趣。这种理解有助于抑制病毒复制、延长适应性免疫反应、加速病毒清除和组织恢复，这是提出对抗冠状病毒（CoVs，如 Covid-19）疫苗的关键里程碑。尽管先天免疫系统在识别病毒后会引发针对 CoVs 的炎症反应，但疫苗仍是防止 CoV 传播的最终保护手段。该疫苗的研发耗时漫长，且需要深入理解先天免疫反应系统。本工作中，我们提出一种基于图神经网络（GNN）的模型，该模型利用模式识别受体（PRRs，即人类免疫反应系统）之间的相互作用。这些相互作用有助于识别病原相关分子模式（PAMPs），以预测每个 PRR 的激活需求。每个 PRR 的免疫反应信息源自其历史 PAMPs 激活与其邻域内 PRRs 对其建模影响的结合。一方面，本工作有助于理解 Covid-19 能提供多长时间的免疫——强烈的免疫反应意味着已感染者可安全返岗。另一方面，这种基于 GNN 的理解也有利于疫苗研发工作。我们的方案已使用 CoVs 免疫反应数据集进行评估，结果显示平均 IFNs 激活预测准确率为 90%，而使用前馈神经网络为 85%。
引用
@article{arxiv.2108.02872,
title = {Understanding Human Innate Immune System Dependencies using Graph Neural Networks},
author = {Shagufta Henna},
journal= {arXiv preprint arXiv:2108.02872},
year = {2021}
}