Prediction of KIR3DL1 and human leukocyte antigen binding
Notice bibliographique
Résumé
KIR3DL1 is a polymorphic inhibitory receptor on natural killer (NK) cells that recognizes HLA class I allotypes. While the Bw4 motif spanning residues 77 to 83 is central to this interaction, structural studies have shown that polymorphisms elsewhere in the HLA molecule also influence binding. To address the challenge of predicting interactions across the extensive diversity of both KIR3DL1 and HLA, we developed a machine learning model trained on binding data from nine KIR3DL1 tetramers tested against a panel of HLA class I allotypes. Multiple models were evaluated using different subsets of HLA sequence features, including the full α1/α2 domains, the Bw4 motif, and α-helical residues excluding loop regions. The best-performing model, using Multi Label Vector Optimization (MLVO) and trained on α-helix positions, achieved AUC scores ranging from 0.74 to 0.974 across all KIR3DL1 allotypes. The model effectively distinguished high and low binders, revealing that residues beyond the Bw4 motif contribute to binding strength in a nonadditive manner. These findings demonstrate that binding affinity cannot be accurately captured by binary classifiers or single-motif rules. Our approach offers a more nuanced framework for modeling KIR3DL1-HLA interactions, with broad applicability to immunogenetic research and clinical decision-making.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».