Разработан инструмент машинного обучения для улучшения персонализированной иммунотерапии
Ученые Ludwig Cancer Research создали новый и более точный метод идентификации молекулярных признаков рака, которые, вероятно, будут представлены хелперным T-клеткам, стимулирующим и организующим иммунный ответ на опухоли и инфекционные агенты. Исследование опубликовано в Nature Biotechnology.
Методология
Новый метод объединяет две технологии:
- Масс-спектрометрия (разработана в лаборатории Bassani-Sternberg) для быстрого и недорогого получения аминокислотных последовательностей тысяч пептидных антигенов, связанных с молекулярным комплексом HLA на поверхности клеток.
- Вычислительный инструмент на основе машинного обучения (разработан в лаборатории Gfeller) под названием MoDec (motif deconvolution).
Значение для иммунотерапии
- HLA-I активирует киллерные T-клетки, уничтожающие раковые клетки.
- HLA-II активирует хелперные T-клетки, критически важные для запуска эффективного противоопухолевого иммунного ответа.
Хотя связывание пептидов с HLA-I хорошо изучено, правила связывания с HLA-II оставались сложными из-за разнообразия молекул HLA-II. Новый метод решает эту проблему.
Разработка и проверка модели
Для создания предсказательной модели команда:
- Выделила более 99 000 пептидов, связанных с молекулами HLA-II.
- Определила их аминокислотные последовательности.
- Использовала алгоритм MoDec для поиска мотивов связывания с HLA-II в этом наборе данных.
Обученный на этих данных алгоритм-предиктор продемонстрировал как минимум двукратное улучшение в идентификации иммуногенных пептидов, связывающихся с HLA-II, по сравнению с предыдущими методами.
Применение и перспективы
Алгоритм уже внедряется в программу Ludwig Lausanne по разработке индивидуализированной иммунотерапии рака. Метод также может быть полезен для исследований и терапии аутоиммунных и инфекционных заболеваний.