利用基因序列和抗体相似性预测病毒对抗体的敏感性

对于如人类免疫缺陷病毒（HIV）-1这类遗传变异性强的病原体，个别病毒株在对抗体的敏感性上可能有显著差异。能够预测哪些病毒会对特定抗体敏感，哪些会表现出抗药性，可能有助于抗体治疗的设计并帮助阐明抗药性的发展。由于可能的组合数量庞大，因此不可能对所有病毒和抗体对的中和值进行实验测量。在此，我们开发了一种简单且可解释的方法，称为分组中和学习（GNL），通过利用病毒基因序列和抗体之间中和特征的相似性来预测中和值。经过训练的模型是可解释的，可以识别影响病毒敏感性的关键突变。我们的方法与最先进的技术比较相当，并且对模型参数假设具有鲁棒性。GNL 可以预测没有观测到的中和测量的病毒序列的中和值，这是评估遗传特征化病毒多样性人群中抗体覆盖能力的重要功能。我们还演示了 GNL 可以成功地在独立数据集之间传递知识，从而基于先前的知识快速估算病毒敏感性。