以下描述涉及用于预测抗原肽-主要组织相容性复合体(mhc)的t细胞活化的技术。
背景技术:
1、新抗原(neoantigen)是肿瘤细胞特异性蛋白质。新抗原是由于肿瘤细胞特异性突变而表达的。新抗原的表位在位于肿瘤细胞表面的主要组织相容性复合体(mhc)上表达,并且t细胞识别mhc表位以触发免疫反应。
2、癌症免疫治疗是激活身体的免疫系统以杀伤肿瘤细胞的治疗。正在进行研究以发现癌症免疫治疗领域有效的新抗原。
技术实现思路
1、[技术问题]
2、以下描述提供了用于发现与t细胞具有高反应性的新抗原的计算机技术。
3、[技术方案]
4、在一个一般方面,存在一种预测肽-主要组织相容性复合体(majorhistocompatibility complex,mhc)的t细胞活化的方法,包括:通过分析设备接收患者的遗传数据;通过所述分析设备基于所述遗传数据鉴定mhc的第一氨基酸序列和由肿瘤细胞产生的抗原的第二氨基酸序列;通过所述分析设备产生指示单个氨基酸单元中的所述第一氨基酸序列和所述第二氨基酸序列之间的相互关系的矩阵;以及通过所述分析设备将所述矩阵输入经过训练的神经网络模型,以确定所述t细胞是否因所述mhc与所述抗原的结合而分泌大于或等于阈值的细胞因子。
5、在另一个方面,存在一种用于预测肽-mhc的t细胞活化的分析设备,包括:输入装置,被配置为接收患者的遗传数据;存储装置,被配置为存储神经网络模型,所述神经网络模型基于表示mhc的氨基酸序列和由肿瘤细胞产生的抗原的氨基酸序列的相互关系的矩阵来预测t细胞的细胞因子分泌量;以及运算装置,被配置为从所述遗传数据中鉴定所述mhc的第一氨基酸序列和由所述肿瘤细胞产生的所述抗原的第二氨基酸序列,产生表示以单个氨基酸为单位的所述第一氨基酸序列和所述第二氨基酸序列之间的相互关系的矩阵,以及将产生的矩阵输入所述神经网络模型以确定所述患者的mhc-抗原是否诱导所述t细胞的干扰素-γ分泌。
6、[有益效果]
7、以下描述的技术使用深度学习模型在患者的候选肽中快速选择具有高t细胞活化的新抗原。以下描述的技术使用干扰素-γ分泌量作为参考,高精度地预测抗原肽-主要组织相容性复合体(mhc)的t细胞活化。
1.一种用于预测肽-主要组织相容性复合体(mhc)的t细胞活化的方法,包括:
2.根据权利要求1所述的方法,其中所述矩阵包括针对所述第一氨基酸序列和所述第二氨基酸序列之间的每个氨基酸对,基于先前已知的蛋白质结构信息的实际蛋白质结构中的氨基酸对的接近程度。
3.根据权利要求1所述的方法,其中预先使用训练数据来训练所述神经网络模型,并且
4.根据权利要求1所述的方法,其中所述细胞因子是干扰素-γ。
5.根据权利要求1所述的方法,其中当所述神经网络模型的输出结果是细胞因子分泌大于或等于所述阈值时,所述分析设备将所述抗原确定为用于抗癌疫苗的靶标候选。
6.根据权利要求1所述的方法,其中所述神经网络模型是卷积神经网络(cnn),并且所述cnn针对所述mhc和所述抗原的输入对输出t细胞的细胞因子分泌程度。
7.一种用于预测肽-主要组织相容性复合体(mhc)的t细胞活化的分析设备,包括:
8.根据权利要求7所述的分析设备,其中所述矩阵包括针对所述第一氨基酸序列和所述第二氨基酸序列之间的每个氨基酸对,基于先前已知的蛋白质结构信息的实际蛋白质结构中的氨基酸对的接近程度。
9.根据权利要求7所述的分析设备,其中预先使用训练数据来训练所述神经网络模型,并且
10.根据权利要求7所述的分析设备,其中当所述神经网络模型的输出结果是干扰素-γ分泌大于或等于阈值时,所述分析设备将所述抗原确定为用于抗癌疫苗的靶标候选。
11.根据权利要求7所述的分析设备,其中所述神经网络模型是卷积神经网络(cnn),并且所述cnn针对所述mhc和所述抗原的输入对输出t细胞的干扰素-γ分泌程度。