https://mp.weixin.qq.com/s/Ts3lS2Bad1iiq4N9mkyl5QNat. Mach. Intell.| 王涛课题组建立预测肿瘤新生抗原和免疫T细胞受体结合特异性的深度学习模型：pMTnet
免疫T细胞是人体免疫系统消灭肿瘤细胞的主要执行细胞。免疫T细胞对癌细胞的攻击始于T细胞对肿瘤抗原( antigen) 的特异性识别。肿瘤抗原在人体的癌细胞被免疫T细胞识别的过程中起着非常重要的作用。肿瘤新生抗原 (neoantigen) 是肿瘤抗原的一类。他们来自于肿瘤的体细胞突变，是引发T细胞反应的主要成分。结合了特异的新抗原之后，免疫T细胞能够发挥清除肿瘤的功能。
2021年9月23日，美国德州大学西南医学中心 (UT Southwestern) 定量生物研究中心(QBRC) 王涛课题组（共同第一作者是Wang Lab课题组博士生卢天时和张泽）在Nature Machine Intelligence上发表了文章，建立了一套人工智能模型(pMTnet)应用于肿瘤新生抗原和免疫T细胞受体 (T cell receptor) 结合特异性的预测。
文章共同第一作者卢天时介绍：“对于免疫系统来说，肿瘤新生抗原是癌细胞和非癌细胞的最大区别之一。如果我们能识别出与T细胞相互作用从而引发免疫系统反应的肿瘤新生抗原，那我们就可以利用这样的抗原来通过多种途径来治疗癌症。” 然而人体中产生的肿瘤新生抗原由于目前尚未清楚的原因，只有一小部分可以被免疫T细胞识别。并且免疫T细胞对于肿瘤新生抗原的结合也有着极强的序列特异性。但是目前检测肿瘤新抗原和T细胞识别特异性的实验手段（如MHC 四聚体检测，tetramer assay）技术要求较高，成本高昂且耗时极长。
鉴于此，王涛课题组建立了一套深度学习模型——pMTnet，用于预测肿瘤新生抗原和免疫T细胞的相互结合的特异性。pMT的训练和预测是基于T细胞-肿瘤细胞结合时相互识别的抗原序列，主要组织相容复合体 (MHC) 的序列，和T细胞受体的序列，这三项数据。pMTnet应用了迁移学习 (transfer-learning) 完成了深度学习的模型的训练。
--
FROM 59.41.66.*