研究人員提出了一種深度抗體-抗原相互作用算法來加速潛在治療性抗體的識(shí)別

人們認(rèn)為，在對(duì)病毒感染的免疫反應(yīng)期間，人體會(huì)產(chǎn)生大約 1020的抗體。其中，只有一小部分對(duì)病毒有中和作用。一些抗體僅調(diào)理抗原。與抗體直接參與防止病原體與宿主細(xì)胞結(jié)合的中和相比，調(diào)理作用是抗體標(biāo)記病原體以通過巨噬細(xì)胞進(jìn)行的吞噬作用破壞的過程。

在免疫反應(yīng)過程中產(chǎn)生的大量抗體仍然看不見，它們的抗原相互作用只能通過資源和時(shí)間密集的濕實(shí)驗(yàn)室實(shí)驗(yàn)來檢測，例如酶聯(lián)免疫吸附試驗(yàn) (ELISA)、噬菌體展示、假病毒試驗(yàn)、可以進(jìn)行抗原中和初步篩選的計(jì)算方法可以通過縮小濕實(shí)驗(yàn)室實(shí)驗(yàn)的目標(biāo)來加速新抗體的鑒定。

關(guān)于研究

在本研究中，研究人員使用由兩個(gè)中性網(wǎng)絡(luò)(卷積神經(jīng)網(wǎng)絡(luò)(CNN)和自適應(yīng)關(guān)系圖卷積網(wǎng)絡(luò)(AR-GCN))組成的 DeepAAI 算法來預(yù)測未見抗體的抗原中和能力并檢查抗原和抗體內(nèi)部的局部特征。

預(yù)測抗體-抗原相互作用是基于預(yù)測抗原-抗體結(jié)合位點(diǎn)，區(qū)分結(jié)合劑與非結(jié)合劑，以及破譯相互作用的中和與非中和效應(yīng)。雖然其他研究試圖使用 GCN 和 CNN 來預(yù)測結(jié)合位點(diǎn)并區(qū)分結(jié)合劑和非結(jié)合劑，但這些方法中的一些挑戰(zhàn)包括由于缺乏未見抗體的抗原中和信息以及缺乏代表抗體和抗原的最佳蛋白質(zhì)描述符。

DeepAAI 算法使用 AR-GCN 構(gòu)建抗體和抗原之間的兩個(gè)自適應(yīng)關(guān)系圖，并使用拉普拉斯平滑來表示未見抗體和已見抗原。關(guān)系圖中節(jié)點(diǎn)的屬性傳達(dá)了抗體和抗原的表示，邊緣權(quán)重提供了抗體-抗原關(guān)系的信息。

此外，雖然 AR-GCN 根據(jù)它們之間的相互作用確定抗體和抗原的全局特征，但 CNN 模塊確定抗原和抗體界面處氨基酸的局部特征，這會(huì)影響它們的親和力。

此外，該研究評(píng)估了 DeepAAI 算法在使用嚴(yán)重急性呼吸綜合征冠狀病毒 2 (SARS-CoV-2)、登革熱、流感和人類免疫缺陷病毒 (HIV) 識(shí)別看不見的抗體表示方面的性能。

將 DeepAAI 及其變體的性能與八種基線方法進(jìn)行了比較，其中包括全局特征的組合，例如位置特定評(píng)分矩陣 ( PSSM) 和kmer頻率計(jì)數(shù) (kmer) 以及由序列表示的局部特征 (seq)?；€方法包括四種基于序列的模型——預(yù)測結(jié)合位點(diǎn)的模型、預(yù)測蛋白質(zhì)-蛋白質(zhì)相互作用的模型、經(jīng)典的序列模型以及在濕實(shí)驗(yàn)室實(shí)驗(yàn)中成功的模型。

結(jié)果

DeepAAI 對(duì)看不見的 HIV 抗體的評(píng)估結(jié)果表明，DeepAAI 的所有三種變體——DeepAAI (PSSM + seq)、DeepAAI (kmer + seq) 和 DeepAAI (PSSM + kmer + seq)——的表現(xiàn)都優(yōu)于八個(gè)基線預(yù)測未見 HIV 抗體中和性的準(zhǔn)確性、精密度和 F1 評(píng)分方法。

在 SARS-CoV-2 的實(shí)驗(yàn)中，DeepAAI 能夠推薦 2,587 種針對(duì) SARS-CoV-2 的抗體中的 50 種作為具有潛在中和 Omicron 變體能力的廣譜抗體。

標(biāo)簽：