Parapred: Vorhersage von Antikörper-Paratopen mittels konvolutioneller und rekurrenter neuronaler Netze

Motivation: Antikörper spielen eine entscheidende Rolle im Immunsystem von Wirbeltieren und sind leistungsfähige Werkzeuge in der Forschung und Diagnostik. Während die hypervariablen Regionen von Antikörpern, die für die Bindung verantwortlich sind, leicht aus ihrer Aminosäuresequenz identifiziert werden können, bleibt es herausfordernd, präzise vorherzusagen, welche Aminosäuren mit dem Antigen in Kontakt treten (das Paratop). Ergebnisse: In dieser Arbeit präsentieren wir einen sequenzbasierten probabilistischen maschinellen Lernalgorithmus zur Vorhersage des Paratops, namens Parapred. Parapred nutzt eine Deep-Learning-Architektur, um Merkmale sowohl aus lokalen Residuum-Nachbarschaften als auch über die gesamte Sequenz hinweg zu erschließen. Die Methode übertrifft deutlich die derzeitigen state-of-the-art-Verfahren und erfordert lediglich eine Aminosäuresequenz, die einer hypervariablen Region entspricht, als Eingabe – ohne jegliche Informationen über das Antigen. Zudem zeigen wir, dass unsere Vorhersagen zur Verbesserung von Geschwindigkeit und Genauigkeit eines starren Docking-Algorithmus genutzt werden können. Verfügbarkeit und Implementierung: Die Parapred-Methode ist kostenlos als Webserver unter http://www-mvsoftware.ch.cam.ac.uk/ und zum Download über https://github.com/eliberis/parapred verfügbar. Kontakt: [email protected] oder [email protected] Zusätzliche Informationen: Ergänzende Informationen sind online bei Bioinformatics verfügbar.