服务器列表
FEPaML: FEP-assisted Machine Learning
FEPaML 旨在解决基于新抗原的疫苗设计中模拟表位筛选的多样性和准确性这一挑战。FEPaML 通过贝叶斯优化，用基于物理的、少量但精准的 FEP 数据修正基于知识的、大量但粗糙的机器学习预测，使之最终收敛至与 FEP 结果一致，强调了专业高质量数据对于生物大分子机器学习应用的重要性。
NEOM: Multi-strategies embedded framework for neoantigen vaccine maturation
我们利用新生抗原、HLA 和 TCR 的三体信息，引入 NEOM（NEOantigen Maturation framework），一种创新的新生抗原成熟框架，旨在为患者提供一系列的个性化疫苗候选肽。NEOM 包括“策略”、“结构”、“评估”、“选择”和“筛选”五大模块，通过精确设计和筛选新抗原候选肽，提高了抗原筛选的准确性、可解释性和成本效益。通过临床实验抗原肽和随机合成抗原肽的验证，NEOM 生成的抗原肽展现出更强的免疫原性潜力，充分证明了其在个性化免疫疗法中的实用性。
MultiTAP: Multi-modal Tumor Antigen Predictor
MultiTAP（多模态肿瘤抗原预测器）是基于多模态特征的深度学习方法，通过结合TCR-肽-HLA序列与结构特征，并引入注意力机制，MultiTAP可以实现准确识别具有免疫原性的肿瘤抗原。通过构建多模态 TCR-peptide-HLA 数据集（TPHD）并整合其序列和结构信息，我们基于残基级别的 peptide-HLA（pHLA）结构特征增强抗原特征，实现了对肿瘤抗原免疫原性的可解释预测。相较于现有的基线模型，MultiTAP 框架在预测肿瘤抗原免疫原性方面表现出显著的优越性。MultiTAP 为靶向肿瘤抗原的癌症免疫治疗提供了一种全新的且极具前景的解决方案。