新深度學習框架預測免疫識別助力疫苗設計

免疫識別背景

T細胞識別抗原時，TCR面對的通常並非游離的抗原肽，而是先與特定HLA結合、形成展示於細胞表面的肽—HLA複合物，免疫識別因此以複合物為對象。

要預測免疫識別是否發生，需要同時考慮兩個環節：抗原肽能否與HLA結合，以及TCR能否識別形成的肽—HLA複合物，兩個環節缺一不可。

StriMap兩階段設計

StriMap將上述過程建模為前後關聯的兩個階段：第一階段預測抗原肽與HLA的結合，第二階段預測TCR對肽—HLA複合物的識別，兩階段互相銜接。

在數據整合上，模型同時融合氨基酸理化性質、蛋白質語言模型表徵及預測結構資訊等多類資料，藉此提升預測表現的準確性與可解釋性。

表現與應用

在多個基準數據集的測試中，StriMap的表現優於現有方法，可用於篩選可能發生免疫識別的分子組合，為免疫相關研究提供篩選工具。

該框架的潛在應用包括新抗原識別、T細胞療法及疫苗設計等方向，屬於把結構資訊納入深度學習建模的免疫學研究工具，可輔助相關實驗設計。