一种预测抗原抗体相互作用的方法及应用与流程

本申请涉及生物信息，尤其涉及一种预测抗原抗体相互作用的方法及应用。

背景技术：

1、抗原抗体相互作用是生物学中极为重要且复杂的现象之一，它在免疫系统的功能中扮演着关键角色，并且抗体与抗原之间具有高度靶向性、高结合亲和力，使得抗体被广泛用于癌症和其他危重疾病的治疗，而利用抗体治疗的关键步骤是发现能够与抗原结合的抗体，即抗体-抗原相互作用鉴定。传统的抗体-抗原相互作用鉴定的实验方法包括放射免疫测定(ria)、酶联免疫吸附测定(elisa)和噬菌体展示等，这些方法所需资源密集且耗时过长，不适合大规模、高通量的抗体筛选。而随着人工智能技术的发展，研究者开发了很多计算方法预测抗原-抗体相互作用，可以加速治疗性抗体发现过程。

2、现有抗原-抗体相互作用预测方法根据输入数据可分为两大类：一种是基于抗原抗体结构的预测方法，另一种基于抗原抗体序列的预测方法。抗原抗体晶体结构非常少，获取代价较大，序列数据相比更为丰富，因此使用序列数据建立抗原-抗体相互作用预测模型成为一种经济的、可行的方案。但是，现有的基于序列的抗原抗体相互作用预测方法，只能对训练数据中的抗原/抗体进行预测，难以泛化到新抗体和新抗原的预测任务上，这使得现有预测方法存在局限。

技术实现思路

1、本申请提供了一种预测抗原抗体相互作用的方法及应用，以解决现有技术中抗原抗体相互作用的预测方法存在局限性的技术问题。

2、第一方面，本申请提供了一种预测抗原抗体相互作用的方法，所述方法包括：

3、输入待测抗原抗体的蛋白质序列，并分别进行局部特征编码和全局特征编码，得到抗原抗体的全局特征信息和局部特征信息，其中，局部特征是捕获抗的原抗体之间的原子成对相互作用信息，全局特征是分别捕获的抗原和抗体序列中单体组分的信息；

4、分别对所述全局特征信息和所述局部特征信息进行特征纠正对比学习，以产生监督信息并更新所述全局特征信息和所述局部特征信息，得到全局特征更新信息和局部特征更新信息；

5、对所述全局特征更新信息和所述局部特征更新信息进行置信度回归网络学习，并进行打分，以实现动态融合所述更新全局特征信息和所述局部特征信息，得到预测结果。

6、可选的，输入待测抗原抗体的蛋白质序列，并分别进行局部特征编码和全局特征编码，得到全局特征信息和局部特征信息，包括步骤：

7、输入待测抗原抗体的蛋白质序列，捕获抗原抗体之间的原子成对相互作用，以捕获原子间的成对注意力权重，得到双线性互作图；

8、采用所述互作信息权重对所述序列信息进行过滤，并对过滤后的信息进行最大池化，后采用投影网络将过滤后的序列信息投影到同一特征维度，得到局部特征编码信息；

9、对所述局部特征编码信息进行合并连接，得到局部特征信息；

10、获取所述待测抗原抗体的蛋白质序列的初始全局信息向量；

11、采用可学习的嵌入层将所述初始全局信息向量非线性投影到与所述局部特征信息同一低维特征的空间中，得到抗原和抗体的全局特征编码信息；

12、对所述全局特征编码信息进行合并连接，得到全局特征信息。

13、可选的，所述捕获包括采用双线性注意力网络模块进行捕获。

14、可选的，所述方法是基于pytorch深度学习框架进行的。

15、可选的，所述分别对所述全局特征信息和所述局部特征信息进行特征纠正对比学习，以产生监督信息并更新所述全局特征信息和所述局部特征信息，得到全局特征更新信息和局部特征更新信息，包括步骤：

16、分别对所述全局特征信息和所述局部特征信息进行分类，得到监督信息；

17、根据监督信息的种类，判定是否需要对所述全局特征信息和所述局部特征信息进行纠正对比学习损失；

18、若是，则对所述全局特征信息和所述局部特征信息进行纠正对比学习损失，得到全局特征更新信息和局部特征更新信息；

19、其中，所述监督信息包括负样本抗原抗体对信息和半正抗原抗体对信息。

20、可选的，所述负样本抗原抗体对信息为两个所述全局特征信息或所述局部特征信息都属于同一类别但预测结果都是错误；

21、所述半正抗原抗体对信息为两个所述全局特征信息或所述局部特征信息都属于同一类别但是预测结果互斥。

22、可选的，所述纠正对比学习损失的计算公式为：

23、

24、式中，n为负样本抗原抗体对信息，所述负样本抗原抗体对信息满足：

25、

26、s为半正抗原抗体对信息，所述半正抗原抗体对信息满足：

27、

28、可选的，所述对所述全局特征更新信息和所述局部特征更新信息进行置信度回归网络学习，并进行打分，以实现动态融合所述更新全局特征信息和所述局部特征信息，得到预测结果，包括步骤：

29、采用置信度学习模块对所述全局特征更新信息和所述局部特征更新信息进行模型训练，并拟合基准置信度分数，以使得所述置信度学习模块能分别根据全局特征更新信息和所述局部特征更新信息得到全局特征分类置信度分数和局部特征分类置信度分数，其中，所述基准置信度分数为真类概率；

30、分别基于所述全局特征分类置信度分数和所述局部特征分类置信度分数融合所述全局特征更新信息和所述局部特征更新信息，并用交叉熵损失函数进行融合特征的训练，得到含多尺度分类结果的预测结果。

31、可选的，所述置信度学习模块包括特征分类网络和置信度网络，其中，在所述置信度网络的最后一层使用sigmoid激活函数和l2损失函数进行训练。

32、第二方面，本申请提供了一种预测抗原抗体相互作用方法的应用，所述应用包括将第一方面所述的方法用于结合抗体的区分中，或，

33、所述应用包括将第一方面所述的方法用于结合抗原抗体对和非结合抗原抗体的区分中。

34、本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

35、本申请实施例提供的一种预测抗原抗体相互作用的方法，相比传统的基于结构的抗原抗体相互作用预测方法以及基于序列的抗原抗体相互作用预测方法，通过引入蛋白质序列作为数据输入来源，由于抗体和抗原的相互作用通过相互作用表面氨基酸残基之间的非共价键实现的，因此通过考察抗原抗体之间的原子成对相互作用可以更新局部特征信息，并从蛋白质序列中挖掘出抗原抗体相互作用的结构机制，再经过特征纠正对比学习，对较为准确的全局特征更新信息和局部特征更新信息，最后采用置信度动态融合策略使得全局特征信息和局部特征信息可以全面预测抗体抗原之间的预测，且该预测过程具有泛化性，因此该方法一定程度上可以突破现有预测方法所存在的局限性。

技术特征：

1.一种预测抗原抗体相互作用的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，输入待测抗原抗体的蛋白质序列，并分别进行局部特征编码和全局特征编码，得到全局特征信息和局部特征信息，包括步骤：

3.根据权利要求1所述的方法，其特征在于，所述捕获包括采用双线性注意力网络进行捕获。

4.根据权利要求1所述的方法，其特征在于，所述方法是基于pytorch深度学习框架进行的。

5.根据权利要求1所述的方法，其特征在于，所述分别对所述全局特征信息和所述局部特征信息进行特征纠正对比学习，以产生监督信息并更新所述全局特征信息和所述局部特征信息，得到全局特征更新信息和局部特征更新信息，包括步骤：

6.根据权利要求5所述的方法，其特征在于，所述负样本抗原抗体对信息为两个所述全局特征信息或所述局部特征信息都属于同一类别但预测结果都是错误；

7.根据权利要求6所述的方法，其特征在于，所述纠正对比学习损失的计算公式为：

8.根据权利要求1所述的方法，其特征在于，所述对所述全局特征更新信息和所述局部特征更新信息进行置信度回归网络学习，并进行打分，以实现动态融合所述更新全局特征信息和所述局部特征信息，得到预测结果，包括步骤：

9.根据权利要求8所述的方法，其特征在于，所述置信度学习模块包括特征分类网络和置信度网络，其中，在所述置信度网络的最后一层使用sigmoid激活函数和l2损失函数进行训练。

10.一种预测抗原抗体相互作用方法的应用，其特征在于，所述应用包括将如权利要求1-9任一项所述的方法用于结合抗体的区分中，或，所述应用包括将如权利要求1-9任一项所述的方法用于结合抗原抗体对和非结合抗原抗体的区分中。

技术总结本申请涉及生物信息技术领域，尤其涉及一种预测抗原抗体相互作用的方法及应用；所述方法包括：输入待测抗原抗体的蛋白质序列，进行局部特征编码和全局特征编码，得到抗原抗体的全局特征信息和局部特征信息，局部特征是捕获的抗原与抗体之间的原子成对相互作用信息，全局特征是分别捕获的抗原和抗体序列中单体组分的信息；分别对全局特征信息和局部特征信息进行特征纠正对比学习，以产生监督信息，得到全局特征更新信息和局部特征更新信息；对全局特征更新信息和局部特征更新信息进行置信度回归网络学习，并进行打分，以实现动态融合更新全局特征信息和局部特征信息，得到预测结果；该方法一定程度上可以突破现有预测方法所存在的局限性。技术研发人员：华权高,章文,夏宇航,高霞,马峰,杨旭,舒芹受保护的技术使用者：武汉华美生物工程有限公司技术研发日：技术公布日：2024/6/11