清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Deep neural networks predict class I major histocompatibility complex epitope presentation and transfer learn neoepitope immunogenicity

免疫原性 主要组织相容性复合体 表位 计算生物学 MHC I级 人类白细胞抗原 免疫学 计算机科学 抗原 生物
作者
Benjamin Alexander Albert,Yunxiao Yang,Xiaoshan M. Shao,Dipika Singh,Kellie Nicole Smith,Valsamo Anagnostou,Rachel Karchin
出处
期刊:Nature Machine Intelligence [Nature Portfolio]
卷期号:5 (8): 861-872 被引量:118
标识
DOI:10.1038/s42256-023-00694-6
摘要

Identifying neoepitopes that elicit an adaptive immune response is a major bottleneck to developing personalized cancer vaccines. Experimental validation of candidate neoepitopes is extremely resource intensive and the vast majority of candidates are non-immunogenic, creating a needle-in-a-haystack problem. Here we address this challenge, presenting computational methods for predicting class I major histocompatibility complex (MHC-I) epitopes and identifying immunogenic neoepitopes with improved precision. The BigMHC method comprises an ensemble of seven pan-allelic deep neural networks trained on peptide–MHC eluted ligand data from mass spectrometry assays and transfer learned on data from assays of antigen-specific immune response. Compared with four state-of-the-art classifiers, BigMHC significantly improves the prediction of epitope presentation on a test set of 45,409 MHC ligands among 900,592 random negatives (area under the receiver operating characteristic = 0.9733; area under the precision-recall curve = 0.8779). After transfer learning on immunogenicity data, BigMHC yields significantly higher precision than seven state-of-the-art models in identifying immunogenic neoepitopes, making BigMHC effective in clinical settings. Out of the large number of neoepitopes, few elicit an immune response from the major histocompatibility complex. To predict which neoepitopes can be effective, Albert and colleagues present a method based on long short-term memory ensembles and transfer learning from immunogenicity assays.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
怕黑的妖丽完成签到,获得积分10
5秒前
哈哈一呀发布了新的文献求助10
8秒前
勤劳寒松完成签到,获得积分10
37秒前
坚定的咖啡完成签到,获得积分10
55秒前
tlh完成签到 ,获得积分10
59秒前
1分钟前
jiangxiang完成签到,获得积分20
1分钟前
坚定谷蕊完成签到,获得积分10
1分钟前
1分钟前
科研通AI65的应助被jiangxiang采纳,获得10
1分钟前
淡然雅彤完成签到,获得积分10
1分钟前
温柔的海秋完成签到,获得积分10
1分钟前
胡萝卜完成签到,获得积分10
2分钟前
强健的千柔完成签到,获得积分10
2分钟前
懦弱的绿蝶完成签到,获得积分10
2分钟前
闪闪小凡完成签到,获得积分10
2分钟前
Hello的应助被科研通管家采纳,获得10
3分钟前
包容大地完成签到,获得积分10
3分钟前
俊逸吐司完成签到 ,获得积分10
3分钟前
风吹麦浪的应助被时之王者采纳,获得10
3分钟前
优雅的树叶完成签到,获得积分10
3分钟前
昴星引路完成签到 ,获得积分10
3分钟前
含蓄的芝麻完成签到,获得积分10
3分钟前
3分钟前
STEAM完成签到,获得积分10
3分钟前
STEAM发布了新的文献求助20
4分钟前
Monica张完成签到 ,获得积分10
4分钟前
Aboo完成签到,获得积分10
4分钟前
尊敬康乃馨完成签到,获得积分10
4分钟前
乐乐的应助被STEAM采纳,获得10
4分钟前
紧张的幼蓉完成签到,获得积分10
4分钟前
5分钟前
5分钟前
文静飞松完成签到,获得积分10
5分钟前
修渊完成签到 ,获得积分10
5分钟前
温暖的大船完成签到,获得积分10
5分钟前
波爷完成签到,获得积分10
5分钟前
科研通AI6.3的应助被amiee采纳,获得10
6分钟前
lianxin完成签到 ,获得积分10
6分钟前
ABC完成签到 ,获得积分10
6分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 2000
Sex, Aging, and Death in a Medieval Medical Compendium: Trinity College Cambridge MS R.14.52, Its Texts, Language, and Scribe 500
高分子基功能界面水蒸发材料与应用研究 500
外场增强的水汽发电研究 500
基于结构调控的功能化水诱导发电材料与器件研究 500
基于界面调控的高效湿气发电材料与器件研究 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8190226
求助须知:如何正确求助?哪些是违规求助? 9577354
关于积分的说明 21852358
捐赠科研通 7788708
什么是DOI,文献DOI怎么找? 3436310
关于科研通互助平台的介绍 2560092
邀请新用户注册赠送积分活动 2482902