生命科学

193 条内容

bioRxiv 2026年9月13日
该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。
该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。
OmniTCR：统一T细胞受体识别预测与条件序列生成的基础模型
该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。
该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。
bioRxiv 2026年9月13日
该工作提出ICARus——一个正例-未标注（positive-unlabelled）读出精炼框架，将蛋白质语言模型推导的蛋白质-蛋白质互作信息整合进全基因组RNA干扰筛选，以提升痘苗病毒-宿主互作及潜在抗病毒人类基因的发现，并将该筛选的原始与精炼读出作为面向智能体AI的社区资源公开。
该工作提出ICARus——一个正例-未标注（positive-unlabelled）读出精炼框架，将蛋白质语言模型推导的蛋白质-蛋白质互作信息整合进全基因组RNA干扰筛选，以提升痘苗病毒-宿主互作及潜在抗病毒人类基因的发现，并将该筛选的原始与精炼读出作为面向智能体AI的社区资源公开。
面向智能体AI的全基因组痘病毒-宿主互作筛选：以蛋白质语言模型精炼读出
该工作提出ICARus——一个正例-未标注（positive-unlabelled）读出精炼框架，将蛋白质语言模型推导的蛋白质-蛋白质互作信息整合进全基因组RNA干扰筛选，以提升痘苗病毒-宿主互作及潜在抗病毒人类基因的发现，并将该筛选的原始与精炼读出作为面向智能体AI的社区资源公开。
该工作提出ICARus——一个正例-未标注（positive-unlabelled）读出精炼框架，将蛋白质语言模型推导的蛋白质-蛋白质互作信息整合进全基因组RNA干扰筛选，以提升痘苗病毒-宿主互作及潜在抗病毒人类基因的发现，并将该筛选的原始与精炼读出作为面向智能体AI的社区资源公开。
bioRxiv 2026年9月13日
该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。
该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。
ABCP_finder：基于Transformer嵌入的抗乳腺癌肽预测框架
该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。
该工作提出ABCP_finder，一个以预训练蛋白语言模型（ProtBERT与ESM2）嵌入加多层感知机分类器为核心的抗乳腺癌肽（ABCP）预测框架，采用CD-HIT在30%序列一致性与80%覆盖度下做同源感知的训练-测试划分以降低数据泄漏，其中ProtBERT取得93.82%准确率、86.88%召回率、90.59% F1、0.8618 MCC、96.67% AUC与0.0633 Brier分数，并据校准分析选定0.7概率阈值识别高置信ABCP，外部用xDeep-AcPEP验证显示被预测为ABCP的未知肽具有较好IC值。

已显示全部结果

第 20 页 · 当前显示 3 项

OmniTCR：统一T细胞受体识别预测与条件序列生成的基础模型

面向智能体AI的全基因组痘病毒-宿主互作筛选：以蛋白质语言模型精炼读出

ABCP_finder：基于Transformer嵌入的抗乳腺癌肽预测框架