Vorhersage kontinuierlicher B‐Zell-Epitopen in einem Antigen mit rekurrenten neuronalen Netzwerken

B-Zell-Epitopen spielen eine entscheidende Rolle bei der Entwicklung von Peptidvakzinen, in der Diagnose von Krankheiten und auch in der Allergieforschung. Experimentelle Methoden zur Charakterisierung von Epitopen sind zeitaufwendig und erfordern große Ressourcen. Die Verfügbarkeit von Epitope-Vorhersagemethoden kann Experimentatoren schnell dabei helfen, dieses Problem zu vereinfachen. In dieser Studie wurden das standardmäßige Feedforward-Netzwerk (FNN) und das rekurrente neuronale Netzwerk (RNN) zur Vorhersage von B-Zell-Epitopen in einer antigenen Sequenz eingesetzt. Die Netzwerke wurden auf einem sauberen Datensatz trainiert und getestet, der aus 700 nicht-redundanten B-Zell-Epitopen bestand, die aus der Bcipep-Datenbank gewonnen wurden, und einer gleichen Anzahl von Nicht-Epitopen, die zufällig aus der Swiss-Prot-Datenbank ausgewählt wurden. Die Netzwerke wurden mit unterschiedlichen Eingabefensterlängen und versteckten Einheiten trainiert und getestet. Die maximale Genauigkeit wurde mit dem rekurrenten neuronalen Netzwerk (Jordan-Netzwerk) mit einer einzigen verborgenen Schicht von 35 versteckten Einheiten bei einer Fensterlänge von 16 erreicht. Das endgültige Netzwerk ergibt eine Gesamtrepräsentationsgenauigkeit von 65,93 %, wenn es durch eine fünfmalige Kreuzvalidierung getestet wird. Die entsprechenden Sensitivitäts-, Spezifitäts- und positiven Vorhersagewerte betragen 67,14, 64,71 und 65,61 %. Es wurde beobachtet, dass das RNN (JE) erfolgreicher war als das FNN bei der Vorhersage von B-Zell-Epitopen. Die Länge des Peptids ist auch wichtig für die Vorhersage von B-Zell-Epitopen aus antigenen Sequenzen. Der Webserver ABCpred ist frei verfügbar unter www.imtech.res.in/raghava/abcpred/.