基于迁移学习的MHC-Ⅰ型抗原表位呈递预测

摘要：

基于新抗原的肿瘤免疫治疗,抗原呈递的准确预测是筛选T细胞特异性表位的关键步骤.质谱鉴定的表位数据对建立抗原呈递预测模型具有重要价值.尽管近年来质谱数据的积累持续增加,但是大部分人类白细胞抗原(human leukocyte antigen,HLA)分型所对应的多肽数量相对较少,无法建立可靠的预测模型.为此,本研究尝试利用迁移学习的方法,先利用混合分型的表位数据建立模型以识别抗原表位的共同特征,在此预训练模型的基础上再利用分型特异性数据建立抗原呈递预测模型Pluto.在相同的验证集上,Pluto的平均0.1％阳性预测值(positive predictive value,PPV)比从头训练的模型高0.078.在外部的质谱数据独立评估上,Pluto的平均0.1％PPV为0.4255,高于从头训练模型(0.3824)和其他主流工具,包括MixMHCpred(0.3369)、NetMHCpan4.0-EL(0.4000)、NetMHCpan4.0-BA(0.3188)和MHCflurry(0.3002).此外,在免疫原性预测评估上,Pluto相对于其他工具也能找到更多的新抗原.Pluto开源网址:https://github.com/weipenegHU/Pluto.

关键词：免疫治疗、新抗原、抗原呈递、深度学习、迁移学习

所属期刊栏目：41

资助基金：国家自然科学基金项目81702826,81772910;深圳市科创委项目JCYJ20170303151334808;深圳市经信委项目20170731162715261

在线出版日期：2019-12-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1041-1049