Unseen Epitope-TCR Interaction Prediction based on Amino Acid Physicochemical Properties
Notice bibliographique
Résumé
Successful prediction of epitope-T cell receptor (TCR) interactions can help with effective vaccination and personalized healthcare. Unseen epitope-TCR interaction prediction is based on independent sets of training and testing data, which is good to find their corresponding epitopes for novel, unseen diseases. In this study, we present a framework for predicting the unseen epitope-TCR interactions based on physicochemical properties of constituent amino acids of epitope and TCR CDR3 sequences. Sequence based models for epitope-TCR interaction prediction generally extract features individually from each sequence and then combine them together. However, in this study, the features for the unseen epitope-TCR interaction model have been generated as images from both sequences simultaneously by computing the absolute difference and outer product of two vectors consisting of the physicochemical property values of amino acids. The performances based on nine different physicochemical properties of amino acids have been compared and the best performing properties are selected. Some properties are combined together to achieve the highest performance. The model exhibits much higher performance in comparison with the existing unseen epitope prediction models. The model produces the AUC of 0.64 for absolute difference based features with only two best performing properties, and the AUC of 0.60 for vector outer product with the same two properties. Furthermore, our model achieves the AUC of 0.82 by combining both types of features while the best existing model achieves the AUC of only 0.55 in the setting of unseen epitope-TCR interaction prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».