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

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

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

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

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。

Mar, 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

通过使用不同的神经消息传递架构，针对抗体的不同特定方面进行预测，我们改进了抗体中的帕拉图普和表位预测，并恢复了有利的定量预测结果。

May, 2021

我们提出了一种层次训练范式 (HTP) 用于抗体序列结构的联合设计，通过结合几何图神经网络和大规模蛋白质语言模型，从几何结构和抗体序列数据库中挖掘进化信息，以确定配体结合位姿和强度，并取得了目前的最优性能。

Oct, 2023