Jun, 2024

T 细胞受体表征的对比学习

PDF
TL;DR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。
t cell receptorsligandstcr specificity predictionprotein language modelscontrastive learning
发现论文，激发创造
  • 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

  • TCR - 表位结合亲和力预测的成本效益主动学习框架

    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

  • 融合预训练范式的抗体序列 - 结构协同设计

    本文提出了一种基于预训练模型的计算抗体设计方法，通过对抗体序列数据的预先训练，结合一种一次性的序列 - 结构生成方法和精心设计的模块，成功地生成了具有高性能的抗原特异性抗体。

    Oct, 2022

  • T 细胞受体蛋白序列与稀疏编码：一种癌症分类的新方法

    本研究使用稀疏编码对 TCR 蛋白序列进行多类别分类以在癌症研究和其他相关领域中分析 TCR 蛋白序列，结果实现了 99.8％的准确率，并突显了稀疏编码在肿瘤治疗中的潜力。

    Apr, 2023

  • 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

  • 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

  • 轻量级对比蛋白质结构序列变换

    本文提出了一种用于蛋白质结构表示预训练的新型无监督方法，该方法利用现有的预训练语言模型通过无监督的对比对齐指导结构模型的学习，并提出了一种自监督的结构约束来进一步学习结构的内部信息。实验结果表明，该方法的性能在多个任务和特定数据集上均表现出卓越的优越性。

    Mar, 2023

  • T 细胞响应预测的迁移学习

    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

  • GPCR-BERT：使用蛋白质语言模型解释 G 蛋白偶联受体的连续设计

    本研究使用 Transformers 和 Large Language Models (LLMs) 开发了 GPCR-BERT 模型，用于理解 G 蛋白偶联受体 (GPCRs) 的顺序设计，揭示了氨基酸序列、配体选择性和构象模体之间的关系，并通过对模型的注意权重和隐藏状态的解释，实现了在掩蔽氨基酸类型方面的精确预测，同时分析了三维结构中的高阶相互作用。

    Oct, 2023

  • 自然语言处理中对比预训练概述：方法、经验教训和展望

    本文总结了最近自监督和有监督对比 NLP 预训练方法，并描述了它们在提高语言建模、零样本学习、预训练数据效率和特定 NLP 终端任务方面的应用。文章介绍了关键的对比学习概念，总结了应用和交叉领域关系的结果。最后，我们指出了对比 NLP 的未来挑战和方向，以鼓励将对比 NLP 预训练推向近期在图像表示预训练中的成功。

    Feb, 2021