在异构子图上的多模态学习以及大语言模型（LLM）表示方法，用于预测MHC-肽结合亲和力

《BMC Bioinformatics》：Multimodal learning on heterogeneous subgraphs and LLMs representation for MHC-peptide binding affinity prediction

　　

摘要

准确预测MHC-肽结合亲和力仍然是免疫治疗开发中的一个挑战。现有方法难以同时建模多态性残基的功能语义、进化保守性约束和结构动态。我们提出了基于对比学习的多特征异构子图模型（CMHS），该模型结合了序列和结构表示方法。在序列表示方面，我们引入了LoRA微调技术，从ESM2中获取专属于MHC的序列表示，然后使用BLOSUM50方法捕捉长距离功能依赖性和进化保守的残基。在结构表示方面，我们采用了受生物物理学指导的异构图网络。通过引入一个新型的可训练高斯噪声层（该层由晶体学B因子引导），动态模拟电子密度不确定性，并结合三阶段消息传递框架（包括子图聚合、子图提取和异构性处理），构建了MHC-肽图。最后，为了对齐序列和图表示空间，我们使用对比学习技术获得更全面的表示，从而提高模型的预测能力。在16个HLA等位基因基准测试中的评估显示，平均SRCC提高了8.7%，平均AUC提高了7.6%。这项工作为预测高度可变的免疫相互作用建立了一个新的范式。相应的代码可以在github上找到。