软件包使我们能够更深入地了解癌症免疫反应

Bloomberg的研究人员〜Johns Hopkins Kimmel Cancer Center的癌症免疫疗法研究所已经开发了一种使用深学习算法来分析T细胞受体（TCR）测序数据的软件包的Deeptcr。在免疫T细胞表面上发现T细胞受体。这些受体与某些抗原或蛋白质结合在异常细胞上，例如癌细胞和用病毒或细菌感染的细胞，以引导T细胞攻击并破坏受影响的细胞。

“DeepTCR是一个开源软件可以用来回答传染病、癌症免疫和自身免疫疾病研究中的问题;任何地方免疫系统通过t细胞受体发挥作用，”该研究的主要作者，医学博士约翰-威廉·西德霍姆说。约翰霍普金斯大学医学院和生物医学工程系的学生，在布隆伯格-基梅尔癌症免疫治疗研究所工作。

这项研究发表在3月11日的《科学》杂志上自然通讯。

Sidhom是在参加了一个关于软件使用的演示后受到启发而开发这个软件的深度学习在美国癌症研究协会2017年会议上的医学科学。“我正在研究T细胞受体测序，并让我震惊了，这是更好地分析T细胞测序数据的正确技术，”他说。

深度学习是人工智能的一种形式，它在模式识别方面大致模仿人类大脑的工作方式。“深度学习是对任何类型数据进行模式识别的一种非常灵活和强大的方式。在这篇论文中，我们使用深度学习来识别t细胞受体测序数据的模式，”Sidhom说，并补充说，软件探索t细胞受体的方式类似于互联网搜索。”当有人执行互联网搜索猫或狗的形象,查询不涉及寻找图片,标题标签作为一个猫或狗的形象,而是一个算法,探讨了适用于图像的特点和识别模式识别图像作为一只猫或一只狗。这就是深度学习。”

DeepTCR是一个全面的深度学习框架，包括无监督和监督深度学习模型，可以应用在序列和样本级别。西德霍姆说，无监督的方法允许调查人员以一种探索性的方式分析他们的数据，那里可能没有已知的免疫接触，而有监督的方法将允许调查人员利用已知的接触来改进模型的学习。因此，他说，DeepTCR将使研究人员能够研究t细胞的功能免疫反应在基础和临床科学中通过识别模式受体赋予T细胞识别和杀死病理细胞的功能。

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来，而DeepTCR有助于进行这种分析。“一个人的免疫系统中有很多序列。人可以感染的病原体有很多，所以免疫反应非常广泛。因此，在免疫反应中有大量的噪音，只有部分在特定的时间对特定的感染是重要的，”Sidhom解释道。“我的T细胞可能对一千种不同的病毒有反应，但当流感袭击我时，我只需要利用这些T细胞的一小部分来对抗流感。该算法能做的主要事情是分离出正确的T细胞，并匹配特定的反应。”

的软件包它采用了一种被称为卷积神经网络的深度学习架构，让用户能够找到与特定接触(如流感感染、癌症或自身免疫性疾病)相关的t细胞测序模式。

“当面对大量数据时，我们的算法可以学习这些TCR序列模式的规则。例如，我们可能不知道身体对流感反应的规则，但有了足够的数据，我们的软件可以学习这些规则，然后告诉我们它们是什么。”Sidhom说。“它非常适合于在一个非常大的免疫系统中识别复杂的模式，以识别t细胞受体和它的抗原之间的相互作用伙伴。”

---

---