MHCnuggets 2.x
Sieci LSTM osobne dla każdego allelu — 148 dla klasy I — czytające peptyd litera po literze, więc bez wyrównywania i dopełniania; trenowane przez uczenie transferowe od allelu najbogatszego w dane.
W skrócie
Co robi
Obsługuje klasę I i II w jednym frameworku i skaluje się do wysokoprzepustowego wyznaczania neoantygenów; dla allelu bez danych startuje od sieci allelu najbliższego według supertypu.
Zadania, typy danych i nowotwory
Architektura
Transfer learning in two axes: from HLA-A*02:01 to every other allele, and from affinity data to mass-spectrometry data.
Dane treningowe
Powinowactwa z IEDB, potem dostrajanie na ligandach ze spektrometru; 148 sieci klasy I i dodatkowe dla klasy II.
Powiązane zbiory danych
- trening IEDB — Immune Epitope Database Otwarte pobieranie
- benchmark IEDB automated benchmark (MHC class I) Otwarte pobieranie
Ewaluacja
| Benchmark / zbiór | Miara | Wartość | Walidacja zewnętrzna | Źródło |
|---|---|---|---|---|
| top 0.1% of a 1:999 decoy list | PPV | 0.42 as reported by the authors — computed differently from NetMHCpan's 0.83, and not the same quantity | nie | Źródło |
Jak uruchomić
pip install mhcnuggets
from mhcnuggets.src.predict import predict
predict(class_='I', peptides_path='peptides.peps', mhc='HLA-A02:01')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
- Nie jest pan-specyficzny: nieznany allel obsługuje sieć sąsiada wybranego według supertypu.
- Sieci per allel dziedziczą wprost skrajną nierównowagę danych.
Źródła
Ta strona ma charakter edukacyjny — nie stanowi porady medycznej i nie zastępuje konsultacji z onkologiem. Decyzje diagnostyczne i terapeutyczne podejmuje wyłącznie lekarz specjalista.