• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

免疫学：T细胞受体结合特异性及其他方面的元学习

Immunology: Meta-learning for T cell-receptor binding specificity and beyond.

作者信息

Wang Duolin, He Fei, Yu Yang, Xu Dong

机构信息

Department of Electrical Engineering and Computer Science, Bond Life Sciences Center, University of Missouri, Columbia, Missouri, United States.

出版信息

Nat Mach Intell. 2023 Apr;5(4):337-339. doi: 10.1038/s42256-023-00641-5. Epub 2023 Mar 31.

DOI:10.1038/s42256-023-00641-5
PMID:38260002
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC10803063/
Abstract

Predicting whether T-cell receptors bind to specific peptides is a challenging problem as the majority of binding examples in the training data involves only a few peptides. A new approach employs meta-learning to improve predictions for binding to peptides for which no or little binding data exists.

摘要

预测T细胞受体是否与特定肽段结合是一个具有挑战性的问题，因为训练数据中的大多数结合实例仅涉及少数几种肽段。一种新方法采用元学习来改进对那些不存在或仅有少量结合数据的肽段结合的预测。

相似文献

1
Immunology: Meta-learning for T cell-receptor binding specificity and beyond.免疫学：T细胞受体结合特异性及其他方面的元学习
Nat Mach Intell. 2023 Apr;5(4):337-339. doi: 10.1038/s42256-023-00641-5. Epub 2023 Mar 31.
2
NetTCR-2.1: Lessons and guidance on how to develop models for TCR specificity predictions.NetTCR-2.1：关于如何开发 TCR 特异性预测模型的经验教训和指导。
Front Immunol. 2022 Dec 6;13:1055151. doi: 10.3389/fimmu.2022.1055151. eCollection 2022.
3
Predicting TCR-Epitope Binding Specificity Using Deep Metric Learning and Multimodal Learning.使用深度度量学习和多模态学习预测 TCR 表位结合特异性。
Genes (Basel). 2021 Apr 15;12(4):572. doi: 10.3390/genes12040572.
4
A robust deep learning workflow to predict CD8 + T-cell epitopes.一种强大的深度学习工作流程，用于预测 CD8+T 细胞表位。
Genome Med. 2023 Sep 13;15(1):70. doi: 10.1186/s13073-023-01225-z.
5
Enhancing TCR specificity predictions by combined pan- and peptide-specific training, loss-scaling, and sequence similarity integration.通过联合 pan- 和肽特异性训练、损失缩放和序列相似性集成来增强 TCR 特异性预测。
Elife. 2024 Mar 4;12:RP93934. doi: 10.7554/eLife.93934.
6
Emerging Concepts in TCR Specificity: Rationalizing and (Maybe) Predicting Outcomes.TCR特异性的新观念：合理化及（或许）预测结果
J Immunol. 2017 Oct 1;199(7):2203-2213. doi: 10.4049/jimmunol.1700744.
7
Structure-based prediction of T cell receptor:peptide-MHC interactions.基于结构的 T 细胞受体-肽-MHC 相互作用预测。
Elife. 2023 Jan 20;12:e82813. doi: 10.7554/eLife.82813.
8
Evaluating performance of existing computational models in predicting CD8+ T cell pathogenic epitopes and cancer neoantigens.评估现有计算模型在预测 CD8+ T 细胞致病性表位和癌症新抗原方面的性能。
Brief Bioinform. 2022 May 13;23(3). doi: 10.1093/bib/bbac141.
9
Benchmarking predictions of MHC class I restricted T cell epitopes in a comprehensively studied model system.在一个经过全面研究的模型系统中对 MHC Ⅰ类限制性 T 细胞表位的预测进行基准测试。
PLoS Comput Biol. 2020 May 26;16(5):e1007757. doi: 10.1371/journal.pcbi.1007757. eCollection 2020 May.
10
Can we predict T cell specificity with digital biology and machine learning?我们能否通过数字生物学和机器学习来预测 T 细胞特异性？
Nat Rev Immunol. 2023 Aug;23(8):511-521. doi: 10.1038/s41577-023-00835-3. Epub 2023 Feb 8.

引用本文的文献

1
The Evolving T Cell Receptor Recognition Code: The Rules Are More Like Guidelines.不断演变的T细胞受体识别密码：规则更像是指导方针。
Immunol Rev. 2025 Jan;329(1):e13439. doi: 10.1111/imr.13439.
2
TCR-H: explainable machine learning prediction of T-cell receptor epitope binding on unseen datasets.TCR-H：在未见数据集上解释性机器学习预测 T 细胞受体表位结合
Front Immunol. 2024 Aug 16;15:1426173. doi: 10.3389/fimmu.2024.1426173. eCollection 2024.
3
Antigen-specific and cross-reactive T cells in protection and disease.抗原特异性和交叉反应性 T 细胞在保护和疾病中的作用。

本文引用的文献

1
Artificial Intelligence-Powered Electronic Skin.人工智能驱动的电子皮肤
Nat Mach Intell. 2023 Dec;5(12):1344-1355. doi: 10.1038/s42256-023-00760-z. Epub 2023 Dec 18.
2
MULocDeep: A deep-learning framework for protein subcellular and suborganellar localization prediction with residue-level interpretation.MULocDeep：一种用于蛋白质亚细胞和亚细胞器定位预测并具有残基水平解释的深度学习框架。
Comput Struct Biotechnol J. 2021 Aug 18;19:4825-4839. doi: 10.1016/j.csbj.2021.08.027. eCollection 2021.
3
A guide to cancer immunotherapy: from T cell basic science to clinical practice.
Immunol Rev. 2023 Jul;316(1):120-135. doi: 10.1111/imr.13217. Epub 2023 May 20.
4
CancerGPT: Few-shot Drug Pair Synergy Prediction using Large Pre-trained Language Models.CancerGPT：使用大型预训练语言模型进行少样本药物对协同作用预测。
ArXiv. 2023 Apr 18:arXiv:2304.10946v1.
癌症免疫疗法指南：从 T 细胞基础科学到临床实践。
Nat Rev Immunol. 2020 Nov;20(11):651-668. doi: 10.1038/s41577-020-0306-5. Epub 2020 May 20.
4
Developing neoantigen-targeted T cell-based treatments for solid tumors.开发针对实体瘤的新型抗原靶向 T 细胞治疗方法。
Nat Med. 2019 Oct;25(10):1488-1499. doi: 10.1038/s41591-019-0596-y. Epub 2019 Oct 7.
5
Regularized Modal Regression with Applications in Cognitive Impairment Prediction.正则化模态回归及其在认知障碍预测中的应用
Adv Neural Inf Process Syst. 2017 Dec;30:1448-1458.
6
MusiteDeep: a deep-learning framework for general and kinase-specific phosphorylation site prediction.MusiteDeep：一个用于通用和激酶特异性磷酸化位点预测的深度学习框架。
Bioinformatics. 2017 Dec 15;33(24):3909-3916. doi: 10.1093/bioinformatics/btx496.
7
Hybrid computing using a neural network with dynamic external memory.使用具有动态外部存储器的神经网络进行混合计算。
Nature. 2016 Oct 27;538(7626):471-476. doi: 10.1038/nature20101. Epub 2016 Oct 12.