跳到正文
Nature Computational Science· Xinyuan Zhu; Jiadong Lu; Yeqing Lu; Yuyan Zhang; Fuli Feng·· 来源仅提供日期精选AI 评分67

Hi-TPH:用于准确预测 T 细胞受体-pHLA 结合的机器学习数据集与基准

Machine learning dataset and benchmark for accurate T cell receptor–pHLA binding prediction

AI 导读

论文提出用于 TCR-pHLA 结合预测的 Hi-TPH 大规模分层数据集与基准,并开发在其上微调的 Hi-TPH-PLMs 蛋白语言模型集合。该模型集合在外部湿实验测试集上比当前最先进工具提升 19.2%,数据集还采用 on-the-fly 选择方法生成非结合样本。Hi-TPH 与 Hi-TPH-PLMs 已公开释出,作者利用分层结构分析了不同分子组分对结合预测的贡献。

推荐理由

论文给出大规模分层 TCR-pHLA 数据集和配套蛋白语言模型,外部湿实验测试集上 19.2% 的提升可作为比较数据构建与建模选择的参考。

已发表论文 · journal · 10.1038/s43588-026-01073-y

本站摘要基于收录版本 v1(2026-10-27),原始摘要与 AI 导读固定保留。

IF(5) 21.9 · 2025 · 期刊参考指标

摘要 · AI 翻译

免疫学与治疗设计中的一个核心挑战,是准确预测 T 细胞受体与肽-人白细胞抗原(pHLA)复合物之间多样的相互作用。现有的机器学习工具受限于不完整的序列数据和有偏的非结合样本。在此我们提出 Hi-TPH,这是一个大规模分层数据集,其特色在于采用即时选择方法来生成非结合数据。我们进一步开发了 Hi-TPH-PLMs,这是一组架构与规模各异、并在 Hi-TPH 上微调的蛋白质语言模型(PLM)。这些模型在外部湿实验测试集上比最先进的工具提升了 19.2% 的性能。借助 Hi-TPH 的分层结构,详细分析剖析了不同分子组分对结合预测的贡献,并揭示了它们的协同互作;例如,HLA 的预测贡献依赖于完整 T 细胞受体链的存在。Hi-TPH 和 Hi-TPH-PLMs 已公开发布,以支持开发更可靠的工具,推动先进的免疫信息学研究与个性化免疫治疗。

来源:Nature Computational Science · doi.org