通过使用抗体和抗原的序列和结构数据，本文提出了一种名为 MIPE 的多模态对比学习和相互信息估计的抗原表位和抗体表位预测方法，MIPE 通过最大化每个模态中与结合和非结合残基的表示并同时对齐单模态表示以获得有效的模态表示；为了利用空间交互信息，MIPE 还包括相互信息估计来计算抗体和抗原之间的估计交互矩阵，从而近似于实际矩阵。大量实验证明了我们的方法相比基线方法的优越性，并且消融实验和可视化结果证明了 MIPE 的优越性，这要归功于通过多模态对比学习获得的更好表示和相互信息估计所理解的交互模式。

May, 2024

T 细胞受体（TCR）是适应性免疫系统的关键组成部分，负责通过识别寄主细胞表面上呈现的表位序列来响应威胁。本研究提出了 ActiveTCR，这是一个结合主动学习和 TCR - 表位结合亲和力预测模型的框架，旨在通过减少注释成本来提高性能，并展示了首次对 TCR - 表位结合亲和力预测数据优化的系统性研究。

Oct, 2023

本研究利用深度神经网络实现抗体重要区域的预测，与先前的物理模型相比，Parapred 取得了更好的表现，其计算效率得到了显著提高，同时，实现交叉模态注意力，抗体残基与抗原残基相互关注，取得了新的最佳结果和有意义的解释。

Jun, 2018

我们提出了一种名为 UnifyImmun 的统一交互注意力变换器模型，它同时预测抗原与 HLA 和 TCR 分子的结合，从而更全面评估抗原免疫原性，并且我们的方法比现有方法在两个任务上表现更好。

Apr, 2024

利用机器学习预测病毒肽与主要组织相容性复合物的结合有助于疫苗开发，并成为抗击大流行病的关键组件。本研究基于循环神经网络，将来自不同数据源的回归器（结合亲和力数据）和分类器（质谱数据）组合以获得更全面的预测工具，并在最近发布的 SARS-CoV-2 数据集上进行了评估，结果表明 USMPep 不仅在选定的单一等位基因上创造了新的最佳表现，而且在某些度量标准上甚至是整体最佳表现的方法之一。

Apr, 2021

通过简单的对比编码 T 细胞受体（TCR）的主要序列，提出了一种名为 SCEPTR 的 TCR 语言模型，它能够进行高效的数据转移学习，并且通过独特的预训练策略结合自对比学习和掩码语言建模的方法，取得了最先进的性能，从而解码了 TCR 特异性规则。

Jun, 2024

本文研究了在识别和中和有害外来分子中抗体 - 抗原相互作用中的最佳表示，强调几何信息的重要性，并比较了应用于蛋白质内部（I-GEP）和外部（O-GEP）结构的不同几何深度学习方法。我们将三维坐标和谱几何描述符作为输入特征，充分利用几何信息。研究结果表明，基于表面的模型比其他方法更高效，并且我们的 O-GEP 实验在性能上取得了显著的改进和最新成果。

May, 2023

提出了一个基于深度学习的多任务框架，用于线性 B 细胞表位预测以及抗体类型特异性表位分类。实验证明了该方法的有效性和卓越的性能。

Sep, 2023

我们提出了一种蒙版语言模型（tcrLM），用于预测 T 细胞受体（TCR）与抗原的结合，通过训练 tcrLM 来推断被屏蔽的片段，从 TCR 序列中提取表达特征，并在大规模 COVID-19 pTCR 结合测试集上超过当前最先进的方法，有效预测免疫疗法反应和临床结果。

Jun, 2024

通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

Oct, 2023