[论文解读] Towards a Mathematical Foundation of Immunology and Amino Acid Chains

Wen‐Jun Shen, Hau−San Wong+3 more|arXiv (Cornell University)|May 28, 2012

vaccines and immunoinformatics approaches参考文献 40被引用 29

一句话总结

本文提出了一种新颖的字符串核 $ˇK^3$，其基于 BLOSUM62 构建，并通过正则化最小二乘法应用于预测肽与 HLA-DR 分子的结合亲和力。该方法在固定等位基因和泛等位基因基准测试中均达到最先进性能，并实现了与 WHO 血清分型分类一致的 HLA-DR 等位基因精确聚类，建立了一个数学基础坚实、功能强大的免疫序列分析框架。

ABSTRACT

We attempt to set a mathematical foundation of immunology and amino acid chains. To measure the similarities of these chains, a kernel on strings is defined using only the sequence of the chains and a good amino acid substitution matrix (e.g. BLOSUM62). The kernel is used in learning machines to predict binding affinities of peptides to human leukocyte antigens DR (HLA-DR) molecules. On both fixed allele (Nielsen and Lund 2009) and pan-allele (Nielsen et.al. 2010) benchmark databases, our algorithm achieves the state-of-the-art performance. The kernel is also used to define a distance on an HLA-DR allele set based on which a clustering analysis precisely recovers the serotype classifications assigned by WHO (Nielsen and Lund 2009, and Marsh et.al. 2010). These results suggest that our kernel relates well the chain structure of both peptides and HLA-DR molecules to their biological functions, and that it offers a simple, powerful and promising methodology to immunology and amino acid chain studies.

研究动机与目标

• 通过核方法为免疫学和氨基酸链分析建立数学基础。
• 在二元结合/非结合分类之外，提升对肽与 HLA-DR 分子结合亲和力的预测能力。
• 开发一种核函数，通过肽和 HLA-DR 等位基因的序列相似性与结构关系捕捉生物学功能。
• 实现与 WHO 血清分型分类一致的 HLA-DR 等位基因精确聚类。
• 证明基于氨基酸替换矩阵和字符串匹配的简单核函数在免疫学预测任务中优于现有方法。

提出的方法

• 通过使用边缘概率对替换频率进行归一化，构建修改后的 BLOSUM62 矩阵 BLOSUM62-2。
• 通过将 BLOSUM62-2 矩阵元素的幂次设为 $\beta \approx 1/8$ 或 $1/10$，定义基础核 $K^1$。
• 将长度相等的 k-mer 在对齐位置上的 $K^1$ 值相乘，定义字符串核 $K^2_k$。
• 将全核 $K^3(f,g)$ 定义为链 $f$ 和 $g$ 中所有对齐 k-mer 对的总和，并计及重复次数。
• 通过将 $K^3$ 归一化以确保正定性和对称性，推导出相关核 $\hat{K}^3$。
• 使用正则化最小二乘法（RLS）作为学习算法，强调对真实值结合亲和力的预测，而非二元分类。

实验结果

研究问题

• RQ1 仅基于氨基酸序列和 BLOSUM62 类似的替换矩阵的核函数，能否在预测肽-HLA-DR 结合亲和力方面实现最先进性能？
• RQ2 所提出的核函数是否通过实现与 WHO 血清分型分类一致的 HLA-DR 等位基因精确聚类，保持了生物学相关性？
• RQ3 在此背景下，强调真实值结合亲和力预测是否比二元分类更有效？
• RQ4 在免疫序列分析的字符串核框架中，引入缺口和缺口惩罚是否能提升性能？
• RQ5 该核函数能否用于定义 HLA-DR 等位基因间有意义的距离度量，以反映其功能和结构关系？

主要发现

• 所提出的核函数 $\hat{K}^3$ 在固定等位基因和泛等位基因 HLA-DR 结合亲和力预测基准测试中均达到最先进性能。
• 在固定等位基因基准测试中，该方法实现了 0.7568 的相关系数和 0.6127 的均方误差。
• 在泛等位基因基准测试中，该方法实现了 0.7413 的相关系数和 0.3089 的均方误差。
• 基于核函数的 HLA-DR 等位基因聚类精确恢复了 WHO 血清分型分类，显示出强烈的生物学相关性。
• 该方法表明，缺口和缺口惩罚并未提升性能，且真实值回归比二元分类更有效。
• BLOSUM62-2 矩阵由原始 BLOSUM62 数据通过边缘概率推导得出，且证明该核函数具有正定性和对称性。