TITAN: предсказание специфичности T-клеточных рецепторов с помощью бимодальных сетей внимания

МОТИВАЦИЯ: Активность адаптивной иммунной системы определяется T-клетками и их специфичными T-клеточными рецепторами (TCR), которые избирательно распознают чужеродные антигены. Недавние достижения экспериментальных методов сделали возможным секвенирование TCR и их антигенных мишеней (эпитопов), что позволяет исследовать недостающее звено между последовательностью TCR и специфичностью связывания эпитопа. Дефицит данных и огромное пространство последовательностей усложняют эту задачу; на сегодняшний день хорошие результаты показывали только модели, ограниченные небольшим набором эпитопов. В данной работе мы устанавливаем классификатор k ближайших соседей (K-NN) в качестве сильного базового метода, а затем предлагаем Tcr epITope bimodal Attention Networks (TITAN) — бимодальную нейронную сеть, которая явно кодирует как последовательности TCR, так и эпитопы, обеспечивая раздельное изучение способности к обобщению на ранее не встречавшиеся TCR и/или эпитопы. РЕЗУЛЬТАТЫ: Кодируя эпитопы на атомарном уровне с помощью последовательностей SMILES, мы используем трансферное обучение и аугментацию данных для расширения пространства входных данных и повышения производительности. TITAN демонстрирует высокую эффективность при предсказании специфичности ранее не встречавшихся TCR (ROC-AUC 0.87 при 10-кратной перекрёстной проверке) и значительно превосходит современный передовой метод ImRex. Примечательно, что наш классификатор k ближайших соседей (K-NN), основанный на расстоянии Левенштейна, также показывает конкурентоспособные результаты для ранее не встречавшихся TCR. Хотя обобщение на ранее не встречавшиеся эпитопы остаётся сложной задачей, мы сообщаем о двух важных достижениях. Во-первых, анализ карт внимания показывает, что разреженность доступных данных об эпитопах способствует их неявной трактовке как классов. Это может быть общей проблемой, ограничивающей эффективность достаточно сложных моделей при работе с ранее не встречавшимися эпитопами. Во-вторых, мы показываем, что TITAN тем не менее существенно повышает эффективность на ранее не встречавшихся эпитопах и способен фокусировать внимание на молекулярных структурах, имеющих химический смысл. ДОСТУПНОСТЬ И РЕАЛИЗАЦИЯ: Исходный код и набор данных, использованные в этом исследовании, находятся в открытом доступе по адресу https://git...