学界联合业界开发整合序列和结构的模型实现适应性免疫受体分析

来源:DeepTech深度科技

随着医学常识的普及，免疫这一人体与生俱来的生理功能已经被大多数人所熟知。正是在免疫功能的帮助下，人体才能有效地识别自身和外来物，通过破坏和排斥抗原物质和肿瘤细胞来维持自身的健康。

非特异性免疫和适应性免疫是人体免疫的两种类型。两者的区别在于，前者是天生的，后者是后天才能获得的(获得性感染或人工接种)。

对于适应性免疫，适应性免疫受体包括T细胞受体和B细胞受体，通过识别抗原激活免疫反应，从而消灭肿瘤细胞，入侵病原体。

其中，T细胞受体负责识别细胞表面主要组织相容性复合体(MHC)呈递的抗原，B细胞受体负责识别天然抗原和同源抗原。

近年来，相关领域的科学家发现，对适应性免疫受体-抗原结合的准确预测有助于该领域的基础研究和临床应用，例如，有助于理解适应性免疫系统的工作原理；促进免疫疗法和疫苗设计的发展。

然而，市场上现有的人工智能方法大多只能接受序列衍生特征作为主要输入信息，而无法处理那些能够对结合亲和力起关键作用的结构特征。

为了更好地解决这一问题，不久前，来自莫纳什大学和腾讯人工智能实验室的研究团队开发了一个名为DeepAIR的深度学习框架，该框架可以同时整合适应性免疫受体的序列和结构特征，以准确预测适应性免疫受体-抗原结合。此外，该框架还具有对免疫组进行分类的功能。

实验表明，DeepAIR在三个自适应免疫受体-抗原分析任务中取得了优异的预测性能:首先，在预测T细胞结合亲和力方面，基于该框架得到的皮尔逊相关系数(用于衡量两个变量X和Y之间的线性相关性)达到0.813；其次，在预测T细胞受体和B细胞受体的结合反应性时，该框架可以分别实现0.904和0.942的曲线下面积中位数(AUC)。

同时，基于T细胞受体和B细胞受体数据库，该框架可以从测试数据中正确识别鼻咽癌和炎症性肠病患者。

“总的来说，与之前的同类方法相比，我们开发的方法应该是第一个综合考虑受体序列信息和三维空间结构数据的算法。”莫纳什大学生物医学与人工智能教授宋江宁说。

图江宁(来源:宋江宁)