基于注意力机制深度多实例与多任务学习的新抗原表位识别方法创新

来自Qu和Zhu的研究团队开发了NeoMHCI模型，该深度学习框架整合注意力多实例学习与多任务微调技术，解决了多MHC I类等位基因评分偏差问题，并弥合了配体呈递与免疫原性预测间的鸿沟。模型基于已发表的配体和新生抗原数据训练，可无缝集成于新生抗原发现流程，显著提升预测精度与实用性。

　　

研究人员开发出名为NeoMHCI的新型深度学习模型，通过整合注意力机制驱动的深度多实例学习（multiple instance learning, MIL）与多任务微调策略，显著提升主要组织相容性复合体I类（MHC class I）分子相关新生抗原表位（neoepitope）的识别精度。该模型创新性地采用多实例学习框架构建高质量多肽嵌入表征，动态加权多等位基因相互作用以消除跨等位基因评分偏差，并利用排序损失函数优化免疫原性优先级排序。实验数据显示，NeoMHCI在多等位基因配体呈递预测任务中接收者操作特征曲线下面积（AUC）达0.948，精确召回曲线下面积（PR-AUC）为0.496；在新生抗原识别任务中Top-5准确率高达42.3%，性能超越现有主流方法。该工具有望为个性化癌症疫苗设计与免疫治疗策略提供关键技术支持，其开源特性进一步促进领域内应用与验证。