GIHP：基于图卷积神经网络的可解释泛特异性HLA-肽结合亲和力预测

准确预测人类白细胞抗原 (HLA) 分子与肽之间的结合亲和力是理解适应性免疫反应的关键步骤。这一知识对有效疫苗的开发和靶向免疫疗法的设计具有重要意义。现有基于序列的方法不足以捕捉结构信息。此外，当前的方法缺乏模型可解释性，限制了揭示两个分子之间关键结合氨基酸的能力。为了解决这些局限性，我们提出了一种名为GIHP的可解释图卷积神经网络 (GCNN) 基于的预测方法。考虑到HLA和短肽之间的尺寸差异，GIHP将HLA的结构表示为氨基酸级别的图，而将肽的SMILE字符串表示为原子级别的图。为了可解释性，我们设计了一种新颖的视觉解释方法，称为梯度加权激活映射 (Grad-WAM)，用于识别关键结合残基。GIHP在各种数据集上实现了比现有最先进的方法更好的预测准确性。根据当前的研究发现，关键HLA-肽结合残基的突变直接影响免疫治疗的疗效。因此，我们验证了那些突出的关键残基，以查看它们是否可以显著区分免疫治疗患者组。我们已经验证所识别的功能残基可以成功将乳腺癌、膀胱癌和泛癌症数据集中的患者生存组分开。结果表明，GIHP提高了HLA-肽预测的准确性和可解释性，本研究的发现可用于指导个性化癌症免疫治疗。代码和数据集可公开访问： https://github.com/sdustSu/GIHP。