تعلم تمثيلات بنائية واعية بالسياق للتنبؤ بواجهات الارتباط بين المستضدات والمضادات

الدافعفهم كيفية تفاعل الأجسام المضادة بشكل خاص مع المستضدات يمكن أن يُسهم في تحسين تصميم الأدوية واللقاحات، كما يوفر رؤى حول المناعة الطبيعية. يمكن للتحليل الهيكلي التجريبي أن يُفصّل "الواقع الحقيقي" لتفاعلات الأجسام المضادة مع المستضدات، لكن الطرق الحسابية ضرورية للتوسع بكفاءة في الدراسات على نطاق واسع. ولزيادة دقة التنبؤ، ولإتاحة وسيلة لاستخلاص رؤى بيولوجية جديدة حول هذه التفاعلات، طوّرنا إطارًا موحدًا قائماً على التعلم العميق للتنبؤ بمناطق الارتباط على كل من الأجسام المضادة والمستضدات.النتائجيعتمد إطارنا على ثلاث جوانب رئيسية من تفاعلات الأجسام المضادة مع المستضدات لتعلم تمثيلات هيكلية تنبؤية: (أ) نظرًا لأن مناطق الارتباط تتكوّن من عدة أحماض أمينية متقاربة مكانيًا، نستخدم التحويلات الرسومية (graph convolutions) لجمع الخصائص عبر المناطق المحلية في البروتين؛ (ب) نظرًا لأن التفاعلات تكون محددة بين أزواج الأجسام المضادة-المستضدات، نستخدم طبقة انتباه (attention layer) لترميز السياق الخاص بالشريك بشكل صريح؛ (ج) نظرًا لتوفر كميات كبيرة من البيانات حول التفاعلات البروتينية-البروتينية العامة، نستخدم التعلم الناقل (transfer learning) للاستفادة من هذه البيانات كمعلومة أولية لحالة التفاعلات الخاصة بين الأجسام المضادة والمستضدات. نُظهر أن هذا الإطار الواحد يحقق أداءً متقدمًا على مستوى الحد الأقصى في التنبؤ بمناطق الارتباط على كل من الأجسام المضادة والمستضدات، وأن كل جانب من جوانب الثلاثة يُسهم في تحسين الأداء بشكل إضافي. كما نُظهر أن طبقة الانتباه لا تُحسّن الأداء فحسب، بل توفر أيضًا وجهة نظر بيولوجية قابلة للتفسير حول نمط التفاعل.التوفر والتنفيذالكود المصدري متاح مجانًا على GitHub عبر الرابط: https://github.com/vamships/PECAN.git.