在研究人员彭博〜金梅尔研究所的癌症免疫治疗在约翰霍普金斯大学金梅尔癌症研究中心已经开发DeepTCR，一个软件包，采用深学习算法来分析T细胞受体(TCR)的测序数据。在免疫T细胞的表面上发现了T细胞受体。这些受体与异常细胞(例如癌细胞和被病毒或细菌感染的细胞)上发现的某些抗原或蛋白质结合，以引导T细胞攻击并破坏受影响的细胞。
“ DeepTCR是一种开源软件，可用于回答有关传染病，癌症免疫学和自身免疫性疾病研究的问题;任何免疫系统通过其T细胞受体发挥作用的地方，” John-威廉·西顿(William Sidhom)，医学博士/博士。就读于医学院的约翰霍普金斯大学医学院和生物医学工程系彭博〜金梅尔研究所的癌症免疫治疗工作。
该研究于3月11日发表在《自然通讯》上。
在参加癌症研究协会2017年会议上有关将深度学习用于医学的演讲后，Sidhom受启发开发了该软件。他说：“我正在研究T细胞受体测序，这使我感到惊讶，这是更好地分析T细胞测序数据的正确技术。”
深度学习是人工智能的一种形式，可以在模式识别方面大致模拟人脑的运作。Sidhom表示：“深度学习是对任何类型的数据进行模式识别的一种非常灵活而强大的方法。在本文中，我们使用深度学习来识别T细胞受体测序数据中的模式。”该软件可以探索T细胞受体，类似于互联网搜索。“当有人在互联网上搜索猫或狗的图像时，查询不会涉及查找带有标题的图像来将图像标记为猫或狗，而是应用一种探索图像特征的算法并识别出将图像识别为猫还是狗的模式。这是深度学习。”
DeepTCR是一个全面的深度学习框架，其中包括可在序列和样本级别应用的无监督和受监督的深度学习模型。Sidhom说，无监督方法允许研究人员以探索性方式分析其数据，而可能没有已知的免疫暴露，监督方法将允许研究人员利用已知暴露来改善模型的学习。他说，结果是，DeepTCR将使研究人员能够通过识别赋予T细胞识别和杀死病理细胞功能的受体模式，研究基础和临床科学中的T细胞免疫反应的功能。
分析TCR测序数据的主要挑战之一是将有意义的测序数据与无关紧要的数据区分开，而DeepTCR可以帮助您进行此分析。“某人的免疫系统中有很多序列。某人可以感染许多病原体，因此免疫反应非常广泛。结果，免疫反应中充满了噪音，只有它的某些部分在特定时间对于某种感染很重要。” Sidhom解释说。“我可能会对一千种不同的病毒产生T细胞反应，但是当流感影响我时，我只需要利用这些T细胞的一小部分来对抗流感。该算法可以做的主要事情是隔离和匹配对特定的反应正确的T细胞。”
标签： 癌症
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
