一种基于迁移学习的TCR-表位结合预测方法及系统技术方案

本发明专利技术公开了一种基于迁移学习的TCR‑表位结合预测方法，包括：获取TCR序列数据集，对所述TCR序列数据集进行数据处理，通过对TCR序列过滤得到表位序列，通过动态训练策略得到训练集和测试集；训练自回归编码器模型和ProtBert模型，并对TCR序列和表位序列进行特征提取，得到TCR序列特征和表位序列特征；对所述TCR序列特征和表位序列特征通过二维直方图进行数据转换，并输入到二维卷积网络中输出向量，将输出向量输入到全连接网络，得到第一输出向量，同时将二维卷积网络中输出向量合并，得到第二路网络；将第一输出向量和第二路网络通过多头注意力策略合并，对合并向量进行扁平化处理，得到全连接网络的输入，提高了TCR‑表位结合任务的预测准确性。

【技术实现步骤摘要】

本专利技术涉及免疫学和生物信息学，具体为一种基于迁移学习的tcr-表位结合预测方法及系统。

技术介绍

1、t细胞对表位的识别在适应性免疫反应中起着至关重要的作用，能够提供对多种病原体的防御保护，在人体免疫系统中扮演着至关重要的角色。tcr是存在于t细胞表面的一类分子，它的主要功能是识别由主要组织相容性复合体(mhc)分子呈递的抗原肽，这些抗原肽通常源自体内的病原体，如病毒、细菌或其他微生物。tcr对抗原的识别是高度特异性的，这种特异性来源于tcr的巨大多样性。每个t细胞通过基因重排过程产生独特的tcr，使得人体能够识别和应对广泛的抗原表位。这些蛋白受体的生成主要源于体细胞中v(d)j的准随机重组过程，这个机制理论上能在个体中产生极其庞大的tcr多样性，估计达到1015至1020种不同的组合，每种组合都拥有其独特的抗原识别能力。由于这种多样性，从序列中可靠地预测tcr的结合特异性并了解tcr–pmhc相互作用的机制是极具挑战性的。了解控制tcr-pmhc之间相互作用的机制被认为是个性化免疫治疗和开发靶向疫苗的重要一步，而tcr-表位结合特异性的预测一直是一个本文档来自技高网...

【技术保护点】

1.一种基于迁移学习的TCR-表位结合预测方法，其特征在于，包括：

2.如权利要求1所述基于迁移学习的TCR-表位结合预测方法，其特征在于，对所述TCR序列数据集进行数据处理，通过对TCR序列过滤得到表位序列，包括，

3.如权利要求2所述基于迁移学习的TCR-表位结合预测方法，其特征在于，通过动态训练策略得到训练集和测试集，包括，

4.如权利要求3所述基于迁移学习的TCR-表位结合预测方法，其特征在于，训练自回归编码器模型，对TCR序列进行特征提取，包括，

5.如权利要求3或4所述基于迁移学习的TCR-表位结合预测方法，其特征在于，Prot...

【技术特征摘要】

1.一种基于迁移学习的tcr-表位结合预测方法，其特征在于，包括：

2.如权利要求1所述基于迁移学习的tcr-表位结合预测方法，其特征在于，对所述tcr序列数据集进行数据处理，通过对tcr序列过滤得到表位序列，包括，

3.如权利要求2所述基于迁移学习的tcr-表位结合预测方法，其特征在于，通过动态训练策略得到训练集和测试集，包括，

4.如权利要求3所述基于迁移学习的tcr-表位结合预测方法，其特征在于，训练自回归编码器模型，对tcr序列进行特征提取，包括，

5.如权利要求3或4所述基于迁移学习的tcr-表位结合预测方法，其特征在于，protbert模型对表位序列进行特征提取，包括，

6...

【专利技术属性】
技术研发人员：杨森，杨泽熙，卢嘉毅，聂琪，倪嘉琦，
申请(专利权)人：常州大学，
类型：发明
国别省市：