グラフモデルを介したB細胞エピトープ予測

背景：抗原からのB細胞エピトープの予測は、抗体抗原認識の免疫基礎を理解するのに役立ち、ワクチンの設計と医薬品開発に役立ちます。この長年の問題には多大な努力が捧げられてきましたが、既存の方法には少なくとも2つの一般的な制限があります。1つは、突出した立体構造を伴うエピトープの予測を支持するだけでなく、平面上のエピトープへの対処においてパフォーマンスが低いことを示しているということです。もう1つの限界は、抗原の複数の非重複エピトープが存在する場合でも、抗原の抗原残基のすべてを1つのエピトープに属すると予測することです。 結果：この論文では、マルコフクラスタリングアルゴリズムを使用して抗原表面グラフをサブグラフに分割することを提案し、次にこれらのサブグラフをエピトープまたは非エピトープサブグラフとして区別する分類器を構築します。次に、この分類器を使用して、試験抗原のエピトープを予測します。92の抗原抗体PDB複合体で構成されるビッグデータセットでは、この方法は最先端のエピトープ予測方法を大幅に上回り、既存の最良のモデルよりも平均F-Scoreが24.7％高くなります。特に、私たちの方法は、他のモデルで対処するには小さすぎる非平面性でこれらのエピトープを正常に識別できます。私たちの方法は、複数のエピトープが存在するたびに検出することもできます。 結論：抗原の表面にあるさまざまな突起および平面パッチは、監視されていないクラスタリングおよび監視された学習アイデアと組み合わせたグラフィカルモデルを使用することにより、区別できます。抗原から複数のエピトープを識別するという困難な問題は、サブグラフアプローチを使用することで容易にすることができます。監視された学習に見られる未解決の残留物の組み合わせは、将来の研究で新しい仮説を立てるのに役立ちます。

BACKGROUND: Prediction of B-cell epitopes from antigens is useful to understand the immune basis of antibody-antigen recognition, and is helpful in vaccine design and drug development. Tremendous efforts have been devoted to this long-studied problem, however, existing methods have at least two common limitations. One is that they only favor prediction of those epitopes with protrusive conformations, but show poor performance in dealing with planar epitopes. The other limit is that they predict all of the antigenic residues of an antigen as belonging to one single epitope even when multiple non-overlapping epitopes of an antigen exist. RESULTS: In this paper, we propose to divide an antigen surface graph into subgraphs by using a Markov Clustering algorithm, and then we construct a classifier to distinguish these subgraphs as epitope or non-epitope subgraphs. This classifier is then taken to predict epitopes for a test antigen. On a big data set comprising 92 antigen-antibody PDB complexes, our method significantly outperforms the state-of-the-art epitope prediction methods, achieving 24.7% higher averaged f-score than the best existing models. In particular, our method can successfully identify those epitopes with a non-planarity which is too small to be addressed by the other models. Our method can also detect multiple epitopes whenever they exist. CONCLUSIONS: Various protrusive and planar patches at the surface of antigens can be distinguishable by using graphical models combined with unsupervised clustering and supervised learning ideas. The difficult problem of identifying multiple epitopes from an antigen can be made easied by using our subgraph approach. The outstanding residue combinations found in the supervised learning will be useful for us to form new hypothesis in future studies.