Key points are not available for this paper at this time.
L'interaction entre les récepteurs T (TCR) et les peptides (épitopes) présentés par les molécules du complexe majeur d'histocompatibilité (MHC) est fondamentale pour la réponse immunitaire. La prédiction précise des interactions TCR-épitope est cruciale pour faire progresser la compréhension de diverses maladies ainsi que leur prévention et traitement. Les méthodes existantes reposent principalement sur des approches basées sur les séquences, négligeant la structure topologique inhérente aux réseaux d'interaction TCR-épitope. Dans cette étude, nous présentons GTE, un nouveau modèle de réseau neuronal graphique hétérogène basé sur l'apprentissage inductif pour capturer la structure topologique entre les TCR et les épitopes. De plus, nous abordons le défi de la construction d'échantillons négatifs au sein du graphe en proposant une stratégie de mise à jour dynamique des arêtes, améliorant l'apprentissage du modèle avec les paires TCR-épitope non liantes. En outre, pour surmonter le déséquilibre des données, nous adaptons la stratégie de maximisation de l'AUC profond au domaine des graphes. Des expériences approfondies sont menées sur quatre ensembles de données publics pour démontrer la supériorité de l'exploration des structures topologiques sous-jacentes dans la prédiction des interactions TCR-épitope, illustrant les avantages de plonger dans des réseaux moléculaires complexes. Le code de mise en œuvre et les données sont disponibles sur https://github.com/uta-smile/GTE.
Jiang et al. (jeu,) ont étudié cette question.