Контент предоставлен Ааюшем Гровером, соавтором статьи MHCAttnNet: Прогнозирование связывания MHC-пептидов для аллелей MHC классов I и II с использованием модели глубоких нейронов, основанной на внимании.
По данным Всемирной организации здравоохранения (ВОЗ), рак является второй ведущей причиной смерти во всем мире и стал причиной смерти примерно 9,6 миллиона человек в 2018 году. собственная иммунная система, чтобы научиться бороться с раком, как перспективное оружие в борьбе с болезнью. Иммунная система сама по себе не может легко отличить здоровую клетку от раковой. Принцип работы персонализированных противораковых вакцин заключается в том, что они внешне синтезируют пептид, который при попадании в организм пациента помогает иммунной системе идентифицировать раковые клетки. Это делается путем образования связи между введенным пептидом и раковыми клетками в организме. Поскольку раковые клетки различаются от человека к человеку, такой подход требует анализа для выбора правильных пептидов, которые могут вызвать соответствующий иммунный ответ. Одним из основных шагов в синтезе персонализированных противораковых вакцин является компьютерное предсказание, будет ли данный пептид связываться с аллелем главного комплекса гистосовместимости (MHC) пациента. Пептиды и аллели MHC представляют собой последовательности аминокислот; пептиды представляют собой более короткие версии белков, а аллели MHC представляют собой белки, необходимые для адаптивности иммунной системы.
Препятствием для легкой разработки персонализированных противораковых вакцин является отсутствие у научного сообщества понимания того, как именно происходит связывание MHC-пептида» (https://doi.org/10.1186/1471-2105-8-459)» . Еще одна трудность связана с необходимостью проведения клинических испытаний различных молекул перед созданием вакцины, что является ресурсоемкой задачей.
Эта новая модель глубокого обучения, которую мы называем MHCAttnNet, использует Bi-LSTM для более точного прогнозирования связывания MHC-пептида, чем существующие методы.
Что нового. Наша модель уникальна тем, что она не только более точно предсказывает связывание, но и выделяет подпоследовательности аминокислот, которые могут быть важны для предсказания. Это первая работа, направленная на понимание лежащего в основе механизма связывания для прогнозирования.
Как это работает.MHCAttnNet также использует механизм внимания, метод обработки естественного языка, чтобы выделить важные подпоследовательности из аминокислотных последовательностей пептидов и аллелей MHC, которые использовались моделью MHCAttnNet для создания прогноз связывания. Если мы увидим, сколько раз конкретная подпоследовательность аллеля выделяется определенной аминокислотой пептида, мы сможем многое узнать о взаимосвязи между пептидными и аллельными подпоследовательностями. Это дало бы представление о том, как на самом деле происходит связывание MHC-пептида. Вычислительная модель, использованная в исследовании, предсказала, что количество триграммов аминокислот аллеля MHC, которое может иметь значение для предсказания связывания, соответствующего аминокислоте пептида, вероятно, составляет около 3% от общего количества. возможные триграммы. Этот сокращенный список возможен благодаря тому, что авторы называют «сокращением последовательности», и поможет в значительной степени сократить работу и расходы, необходимые для клинических испытаний вакцин.
Основные выводы: эта работа поможет исследователям разработать персонализированные противораковые вакцины за счет улучшения понимания механизма связывания MHC-пептида. Более высокая точность этой модели улучшит производительность этапа вычислительной проверки синтеза персонализированной вакцины. Это, в свою очередь, повысит вероятность создания персонализированной противораковой вакцины, которая подействует на конкретного пациента. Сокращение последовательности поможет сосредоточиться на нескольких конкретных аминокислотных последовательностях, что может способствовать лучшему пониманию лежащего в основе механизма связывания. Эта работа также является иллюстрацией того, как исследования в области искусственного интеллекта и машинного обучения с использованием облачных решений (мы использовали машины AWS) могут оставить след в различных областях, включая медицину, за гораздо более короткое время и за небольшую часть обычных затрат.
Статья MHCAttnNet: Прогнозирование связывания MHC-пептида для аллелей MHC классов I и II с использованием модели глубоких нейронов, основанной на внимании, опубликована в Oxford Academic.
Знакомьтесь с авторами Ааюш Гровер из Международного института информационных технологий Бангалора.
Поделитесь своим исследованием с помощью синхронизированного обзора
Поделись моими исследованиями — это новая колонка Synced, в которой ученые приглашаются поделиться своими достижениями в исследованиях с более чем 1,5 миллионами энтузиастов искусственного интеллекта со всего мира. Помимо технологических достижений, Share My Research также призывает к интересным историям исследований и захватывающим исследовательским идеям.Поделитесь с нами своими исследованиями, нажав здесь.
