EPIC-TRACE: прогнозирование связывания TCR с ранее не встречавшимися эпитопами с использованием механизмов внимания и контекстуализированных эмбеддингов

МОТИВАЦИЯ: Т-клетки играют важную роль в адаптивной иммунной системе, обеспечивая борьбу с патогенами и раком, но также могут быть причиной аутоиммунных заболеваний. Распознавание Т-клеточным рецептором (TCR) комплекса пептид–MHC (pMHC) необходимо для запуска иммунного ответа. Для прогнозирования связывания разработано множество моделей машинного обучения, однако обобщение прогнозов на pMHC, отсутствующие в обучающих данных, остается сложной задачей. РЕЗУЛЬТАТЫ: Мы разработали новую модель машинного обучения, использующую информацию о TCR из обеих цепей — α и β, — последовательность эпитопа и MHC. Наш метод использует эмбеддинги ProtBERT для аминокислотных последовательностей обеих цепей и эпитопа, а также архитектуры свертки и многоголового механизма внимания. Мы демонстрируем важность каждого входного признака, а также преимущество включения в обучающие данные эпитопов, ассоциированных лишь с небольшим числом TCR. Мы оцениваем нашу модель на существующих базах данных и показываем, что она успешно сопоставима с другими современными моделями. ДОСТУПНОСТЬ И РЕАЛИЗАЦИЯ: https://github.com/DaniTheOrange/EPIC-TRACE.