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別

人們認為，在對病毒感染的免疫反應期間，人體會產(chǎn)生大約 1020的抗體。其中，只有一小部分對病毒有中和作用。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胞結合的中和相比，調(diào)理作用是抗體標記病原體以通過巨噬細胞進行的吞噬作用破壞的過程。

在免疫反應過程中產(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間密集的濕實驗室實驗來檢測，例如酶聯(lián)免疫吸附試驗 (ELISA)、噬菌體展示、假病毒試驗、可以進行抗原中和初步篩選的計算方法可以通過縮小濕實驗室實驗的目標來加速新抗體的鑒定。

關于研究

在本研究中，研究人員使用由兩個中性網(wǎng)絡(卷積神經(jīng)網(wǎng)絡(CNN)和自適應關系圖卷積網(wǎng)絡(AR-GCN))組成的 DeepAAI 算法來預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。

預測抗體-抗原相互作用是基于預測抗原-抗體結合位點，區(qū)分結合劑與非結合劑，以及破譯相互作用的中和與非中和效應。雖然其他研究試圖使用 GCN 和 CNN 來預測結合位點并區(qū)分結合劑和非結合劑，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 構建抗體和抗原之間的兩個自適應關系圖，并使用拉普拉斯平滑來表示未見抗體和已見抗原。關系圖中節(jié)點的屬性傳達了抗體和抗原的表示，邊緣權重提供了抗體-抗原關系的信息。

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，這會影響它們的親和力。

此外，該研究評估了 DeepAAI 算法在使用嚴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行了比較，其中包括全局特征的組合，例如位置特定評分矩陣 ( PSSM) 和kmer頻率計數(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——預測結合位點的模型、預測蛋白質(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驗室實驗中成功的模型。

結果

DeepAAI 對看不見的 HIV 抗體的評估結果表明，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)于八個基線預測未見 HIV 抗體中和性的準確性、精密度和 F1 評分方法。

在 SARS-CoV-2 的實驗中，DeepAAI 能夠推薦 2,587 種針對 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。

標簽：