Mar, 2024

T 细胞响应预测的迁移学习

PDF
TL;DR我们研究了特定给定肽段的 T 细胞反应的预测，这对于个性化癌症疫苗的开发来说可能是一个关键步骤。我们使用了转换器模型进行 T 细胞反应预测，发现膨胀的预测性能不仅仅是理论上的问题，而是在实践中发生的。因此，我们提出了一个领域感知的评估方案，并研究了不同的迁移学习技术来处理多领域结构和捷径学习。我们证明了一种基于源的细调方法在各种肽源上都有效，并进一步证明我们的最终模型优于现有的最先进方法，用于预测人类肽段的 T 细胞反应。
t-cell responsepeptidesmulti-domain structureshortcut learningpredictive performance
发现论文，激发创造
  • 基于 Transformer 的深度网络用于预测癌症药物反应

    本研究提出了一种基于 transformer 的神经网络 TCR 来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明 TCR 优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。

    Jul, 2022

  • T 细胞受体表征的对比学习

    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

  • 用于预测 T 细胞受体 - 抗原结合特异性的大型语言模型

    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

  • 一种用于预测 HLA 和 TCR 分子的统一交叉注意力模型

    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

  • 使用源模型和目标数据的序列标记迁移学习

    本文提出一种基于迁移学习的方法，通过在目标模型输出层添加新的神经元并转移源模型参数，实现对源模型知识的有效传递，且通过神经适配器进一步改善了命名实体识别任务中的标签迁移。

    Feb, 2019

  • TransCDR: 通过迁移学习和多模态数据融合增强癌症药物反应预测的广泛适用性的深度学习模型

    精准医学中，准确且稳健的药物反应预测至关重要。我们引入 TransCDR，利用迁移学习学习药物表示，并通过自注意机制融合药物和细胞系的多模态特征，预测细胞系对药物的 IC50 值或敏感状态。TransCDR 在预测上显示出比 8 种最先进模型更好的泛化能力，通过在不同情景下从头训练药物编码器的 5 个变体（即 RNN 和 AttentiveFP），TransCDR 的表现也超越其它模型。Extended Connectivity Fingerprint 和基因突变是多种药物标记和组学特征中最关键的贡献因素。此外，基于注意力的融合模块进一步增强了 TransCDR 的预测性能。在 GDSC 数据集上训练的 TransCDR 在外部测试集 CCLE 上表现出强大的预测性能。同时，我们还通过将 TCGA 的 7,675 名患者分类为药物敏感组和药物耐药组，进行基因集富集分析来研究药物反应的生物机制。TransCDR 是一种强大的工具，在药物反应预测中具有重要潜力。源代码和数据可在此 URL 中访问。

    Nov, 2023

  • 基于 Transformer 的多源域自适应

    研究了大型预训练转换模型在无监督多源域自适应中的效果，发现领域对抗性训练对其有影响，但对表现影响不大，同时混合专家方法则显著提高了表现并比较了几种混合函数，包括一种基于注意力的新混合方法。

    Sep, 2020

  • BeeTLe: 用于线性 B 细胞表位预测与分类的框架

    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

  • 个性化药物识别器：利用辅助信息的癌症治疗推荐系统

    癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

    Feb, 2024

  • MATE-Pred: 多模态基于注意力的 TCR-Epitope 相互作用预测器

    MATE-Pred 是一种高度可靠的新方法，通过多模式注意力机制预测 T 细胞受体和表位结合亲和力，展示了多模式模型在从氨基酸残基中高效捕捉上下文、物理化学和结构信息的潜力，以及在各种药物发现方案中的潜在应用。

    Dec, 2023