MHCflurry 2.0 2.0
Otwartoźródłowy pan-alleliczny model prezentacji, którego wyróżnikiem jest osobny model przetwarzania antygenu: czyta peptyd razem z piętnastoma aminokwasami kontekstu po każdej stronie, bo cięcie proteasomem zależy od tego, co leży wokół miejsca cięcia.
W skrócie
Co robi
Przewiduje powinowactwo i prezentację; końcowa ocena to regresja logistyczna o trzech parametrach łącząca sieć wiązania i sieć przetwarzania. Instaluje się przez pip, co czyni go praktycznym wyborem do odtwarzalnych potoków.
Ważne zastosowania w onkologii
Model przetwarzania odtwarza znaną biologię: niedobór proliny tuż przed peptydem i jej nadmiar na drugiej pozycji, zgodnie z działaniem ERAP. Zysk z dołożenia przetwarzania jest realny, ale skromny — średnio 3,3%.
Zadania, typy danych i nowotwory
Architektura
Where NetMHCpan searches for the right alignment, MHCflurry hands the network all three alignments at once and lets it decide. Multi-allelic data are handled by taking the best score among the alleles the sample carries, rather than by training-time deconvolution.
Dane treningowe
Powinowactwa z IEDB oraz ligandy ze spektrometru z próbek jedno- i wieloallelicznych; negatywy to atrapy losowane z tych samych białek źródłowych co trafienia.
Powiązane zbiory danych
- trening IEDB — Immune Epitope Database Otwarte pobieranie
- trening Mono-allelic HLA class I peptidome (Sarkizova / Abelin) Otwarte pobieranie
- benchmark IEDB automated benchmark (MHC class I) Otwarte pobieranie
Ewaluacja
| Benchmark / zbiór | Miara | Wartość | Walidacja zewnętrzna | Źródło |
|---|---|---|---|---|
| held-out mass-spec ligands (1:99 decoys from the same proteins) | PPV | reported in paper; not comparable with PPV numbers computed at 1:999 by other tools | tak | Źródło |
| effect of the antigen-processing model | relative improvement | +3.3% on average | nie | Źródło |
Jak uruchomić
pip install mhcflurry
mhcflurry-downloads fetch models_class1_presentation
from mhcflurry import Class1PresentationPredictor
predictor = Class1PresentationPredictor.load()
predictor.predict(
peptides=['SIINFEKL', 'KLGGALQAK'],
alleles={'sample1': ['HLA-A*02:01', 'HLA-B*57:01']},
# n_flanks/c_flanks add the antigen-processing signal when you have the source protein
)The presentation predictor needs the downloaded model bundle (mhcflurry-downloads fetch). Supplying flanking sequences is what activates the processing model — without them you are running the binding network only.
Status regulacyjny i przeznaczenie
Status regulacyjny cytujemy ze wskazanego źródła i może się zmienić. Modele „tylko do badań” nie służą do decyzji klinicznych.
Ograniczenia i błędy systematyczne
- Ten sam problem przyjętych negatywów i skrzywień spektrometrii co w całej rodzinie.
- Atrapy z tych samych białek czynią jego PPV surowszym niż u części konkurentów i nieporównywalnym wprost.
- Jeden z opublikowanych benchmarków musiał go wykluczyć z powodu nakładania się zbioru treningowego i testowego — sprawdzaj własny podział.
Źródła
Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.