使用基于交叉注意力的多模态表示与混合CNN-GLU模型增强肿瘤T细胞抗原预测

《Computational Biology and Chemistry》：Enhancing Tumor T-Cell Antigen Prediction Using Cross-Attention-Based Multimodal Representations with Hybrid CNN-GLU Model

　　•提出了一种计算高效的新型混合深度学习框架iTTCA-DeepGLU，用于预测肿瘤T细胞抗原。
•蛋白质序列被转换为SMR-LPQ纹理描述符，而预训练的ProtT5模型则捕获语义和上下文序列信息。
•一种基于交叉注意力的融合机制将SMR-LPQ描述符与ProtT5衍生的特征整合在一起。
•采用梯度提升决策树（GBDT）从交叉注意力融合向量中选择信息丰富的特征。
•所提出的iTTCA-DeepGLU模型在类别不平衡和平衡的独立测试数据集上均展现出优于现有计算方法的预测性能。

引言
在全球范围内，癌症仍然是一个主要的公共卫生问题，其中肝癌、乳腺癌、胃癌、食管癌、结直肠癌和肺癌等多种癌症，在2020年合计约占全球所有癌症相关死亡的55.80%（Zhang等，2020）。同年，估计有1930万新发癌症病例被诊断出来，导致全球约1000万人死亡（Lv等，2025）。此外，在中国，癌症发病率与人口老龄化密切相关，尤其是在60岁及以上人群中。因此，2020年中国约占全球新诊断癌症病例的24%，以及近30%的癌症相关死亡（Cheng等，2018）。这些统计数据凸显了癌症在全球范围内的巨大负担及其作为全球主要死因之一的地位（Ning等，2023）。

肿瘤抗原（TAs）在癌症免疫治疗中显示出巨大潜力，被认为是免疫治疗分子的有前景的靶点（Duan等，2024）。TAs大致分为两类：肿瘤特异性抗原（TSAs）和肿瘤相关抗原（TAAs）。TSAs仅在肿瘤细胞中表达，而在正常组织中缺失（Ilyas和Yang，2015；Zamora等，2018）。而TAAs与正常细胞相比，在肿瘤相关细胞中过度表达（Shoombuatong等，2025）。这些分子由肿瘤细胞产生，在癌症免疫学中起着关键作用。免疫系统识别TAs后，先天性和适应性免疫反应均被激活，以防止癌症/肿瘤生长。先天性免疫反应涉及中性粒细胞、巨噬细胞、自然杀伤细胞和树突状细胞等细胞，提供了对抗癌症的即时防御机制。相比之下，适应性免疫反应由T淋巴细胞和B淋巴细胞（T细胞和B细胞）介导，其反应较慢，因此被认为不够迅速；然而，它们在靶向肿瘤相关抗原方面提供了高度特异性（Zhang等，2019）。目前已提出多种T细胞激活方法，包括使用树突状细胞（DCs）的肽疫苗（Wang等，2020）。T细胞受体能够有效识别由抗原呈递细胞（如DCs）通过主要组织相容性复合体（MHC）I类和II类分子加工和呈递的肿瘤抗原（Lee等，2020）。DCs可以激活CD4+和CD8+ T细胞亚群（Vermaelen，2019；Wang等，2026），这对于产生抗肿瘤免疫反应至关重要。因此，DCs有助于控制癌症生长。

T细胞在保护身体免受癌细胞侵害方面起着关键作用，并且是开发肿瘤免疫疗法的主要靶点。因此，精确预测T细胞抗原是开发有效癌症疫苗的关键阶段。已有多种方法被提出，利用源自肿瘤抗原的肽作为表位，进而可作为免疫治疗剂用于治疗不同类型的肿瘤和恶性肿瘤（Zhang等，2019）。免疫疗法被认为是现有传统治疗方法（如放疗和化疗）的重要替代方案，因为这两种方法都伴随着关键副作用（Gupta等，2022）。文献中已提出多种数据库，如免疫表位数据库（Vita等，2019）、TANTIGEN 1.0（Olsen等，2017）和TANTIGEN 2.0（Zhang等，2021），用于开发支持传统实验室方法的TTCAs计算预测工具。然而，与传统实验室方法相比（Wu等，2023），这些方法成本高昂且需要较长的处理时间。最近基于机器学习（ML）驱动的计算机模拟方法开发的TTCA模型在计算效率和成本效益方面具有优势（Shoombuatong等，2025；Rehman等，2023）。Lissabet等人开发了一种开创性的计算方法TTAgP1.0，用于预测TTCA（Lissabet等，2019）。在TTAgP1.0模型中，使用随机森林（RF）分类器，基于氨基酸的理化性质（PCPs）和相对频率进行训练。同样，Charoenkwan等人开发了iTTCA-Hybrid模型，其中使用支持向量机（SVM）和RF模型，基于序列编码和复合PCP特征进行训练（Charoenkwan等，2020）。此外，在TAP 1.0模型中，使用AAindex方法提取了544个PCP特征（Herrera-Bravo等，2021）。提取的特征向量进一步通过信息增益缩减为10维特征集，随后用于训练15个ML模型。在这些模型中，二次判别分析表现出更优的性能。此外，Jiao等人通过使用基于氨基酸的局部、全局和分组描述符对TTCA样本进行数值化表述，训练RF模型，开发了iTTCA-RF（Jiao等，2021a）。随后，应用SMOTE-Tomek进行类别平衡，并使用mRMD+IFS选择最优特征集。Zou等人提出了iTTCA-MFF，通过使用残基成对能量含量矩阵和基于PCP的描述符对TTCA样本进行编码（Zou等，2022）。随后，基于LAASO的判别性结构特征集被用于训练SVM分类器。在ENCAP模型中，使用57种不同的特征提取方法对TTCA序列进行表述，随后训练了七种不同的ML模型（Yu等，2024）。ENCAP模型的泛化能力使用两个公开数据集进行了验证。最近，Zhao等人在iTTCA-MVL中引入了多视角特征向量来预测TTCA序列（Zhao等，2024）。在该框架中，输入样本使用基于PCP的结构特征和基于TF-IDF的统计特征进行表示，并通过HSIC方法融合。随后，使用多视角描述符训练最小二乘SVM（LSSVM）模型。类似地，在Sa-TTCA中，从TTCA样本中提取了局部和全局氨基酸描述符与PCP编码，以及基于生物语言模型的自然语言处理（NLP）特征（Tran和Le，2024）。采用SMOTE解决类别不平衡问题，并在训练SVM模型前应用卡方检验和皮尔逊相关系数进行特征选择，以增强预测性能。Salman等人使用PsePSSM-DWT和基于ProtBERT-BFD的Transformer编码从TTCA样本中提取进化描述符，训练了深度神经网络（Khan等，2026）。最近，Lv等人开发了LYnet预测器，其中使用基于CNN和BiLSTM的集成深度学习模型训练TTCA样本（Lv等，2025）。Charoenkwan等人引入了PSRTTCA模型，该模型利用基于倾向性得分的特征学习方法（Charoenkwan等，2023a）。为了提高预测性能，识别出最优的倾向性得分集，并用于训练最终的集成模型。在StackTTCA预测器中，结合12种不同的特征描述符方法和13种ML模型，生成了156个基线模型以预测TTCAs（Charoenkwan等，2023b）。在第二阶段，训练好的基线分类器用于生成概率特征向量。从概率特征向量中选择最优特征集，以开发堆叠集成预测器。同样，Hassan等人提出了一种集成学习预测器，称为TTCA-IF，用于预测TTCAs（Hassan等，2024）。在TTCA-IF模型中，通过将十种特征提取方法与五种不同的ML分类器整合，开发了150个基线模型。

尽管已有方法取得了有前景的结果，但现有计算方法存在各种缺点，包括无法充分保留残基序列顺序、依赖高维特征向量，以及使用在手动提取的序列特征上训练的传统ML模型。为了克服这些挑战，我们提出了一种准确的基于深度学习的预测器，称为iTTCA-DeepGLU，用于预测TTCAs，如图1所示。iTTCA-DeepGLU模型的关键贡献如下：

（i）使用替代矩阵表示（SMR）将训练肽序列表述为二维矩阵，随后进行局部相位量化（LPQ）变换，生成新的描述符SMR-LPQ，用于提取内在的、具有判别性的基于纹理的特征。
（ii）为了捕获训练肽序列的语义和上下文信息，采用预训练的ProtT5模型生成信息丰富的序列级表示。
（iii）采用基于交叉注意力的融合机制，将SMR-LPQ描述符与基于ProtT5的特征整合在一起。
（iv）将梯度提升决策树（GBDT）算法应用于交叉注意力融合向量，以识别最具信息量的特征子集并降低训练成本。
（v）所提出的iTTCA-DeepGLU模型在训练集train-DS1（不平衡）和train-DS2（平衡）上展现出优越性能。此外，使用两个代表平衡和不平衡类别分布的独立数据集验证了其泛化能力。
（vi）为了促进研究社区，开发了一个交互式、用户友好的网络服务器（https://aliraza1ittca.pythonanywhere.com/），用于在癌症诊断和药物发现中预测TTCA样本。

章节片段
基准数据集
在生物信息学中，可靠的基准数据集对于构建稳健且可泛化的模型至关重要。为了在提出的方法和现有的TTCA预测器之间进行公平比较，本研究使用了两个训练数据集，Train-DS1（不平衡）和Train-DS2（平衡），以及两个独立测试数据集，Ind-DS1（不平衡）和Ind-DS2（平衡）。Train-DS1和Ind-DS1来源于iTTCA-Hybrid（Charoenkwan等，2020）。经过预处理和去除重复项后

性能评估参数
为了研究所提出的iTTCA-DeepGLU训练模型的预测性能和可靠性，我们应用了几个评估参数，如准确率（ACC）、特异性（Spe）、灵敏度（Sen）、马修斯相关系数（MCC）和ROC曲线下面积（AUC）（Akbar等，2024a；Raza等，2023；Raza等，2024；Fu等，2025）。这些指标使用以下公式计算：

ACC = (TN + TP) / (FP + FN + TN + TP)
Sen = TP / (FN + TP)
Spe = TN / (TN + FP)
MCC = ((FP × FN) ? (TP × TN)) / √((TP + FP)(TN + FP))

结果与讨论
为了检验我们提出的iTTCA-DeepGLU模型的预测性能，我们应用了两种交叉验证（CV）测试，其中使用10折CV进行模型训练，并使用独立测试来评估模型对未见肽的泛化能力（Akbar等，2017；Khan等，2019；Shamas等，2025；Akbar等，2025c）。此外，为了确保10折CV中训练数据的均匀分布，我们通过重复数据分割至最多

结论
在本研究中，我们开发了一种可靠且有效的计算模型iTTCA-DeepGLU，用于区分TTCAs和非TTCAs。现有的TTCA计算预测器存在多个局限性，包括跳过残基层级表示、缺乏上下文和语义信息，以及使用大型肽数据集进行模型训练时的高计算成本。为了解决这些挑战，提出的iTTCA-DeepGLU模型整合了基于交叉注意力的融合

潜在未来方向
在未来的工作中，我们将专注于使用大规模和多样化的数据集开发一种新的计算模型来预测TTCAs，并辅以支持新的特征选择和特征融合策略的高级多模态特征表示。我们还计划探索创新的训练架构和可解释AI方法，以增强预测性能、可解释性和实际可用性。

利益冲突声明
作者声明没有竞争利益。

资金
本研究得到国家自然科学基金（项目编号：62422113，62271329）和深圳职业技术大学研究基金（项目编号：6025310047 K）的支持。

CRediT作者贡献声明
Ghufran Ahmad Khan：撰写初稿、验证、正式分析。Shahid Akbar：撰写初稿、方法学、调查、数据管理、概念化。Ximei Luo：审阅与编辑、撰写初稿、监督、资源获取、资金获取。Wajdi Alghamdi：撰写初稿、软件、资源、方法学、调查。Ali Raza：撰写初稿、验证、方法学、正式分析、概念化。Lei Xu：审阅与编辑

利益冲突声明
作者声明，他们之间不存在已知的竞争经济利益或个人关系，这些可能影响本论文报告的工作。

Ali Raza|Shahid Akbar|Ghufran Ahmad Khan|Wajdi Alghamdi|Ximei Luo|Lei Xu