一种基于蛋白序列与分子表面层次化融合的pHLA-TCR识别预测方法

本发明属于计算免疫学、人工智能辅助生物分子识别和生物信息学，涉及一种基于蛋白序列与分子表面层次化融合的phla-tcr识别预测方法，更具体地涉及一种联合hla、抗原肽、配对tcrαβ序列信息与相互独立的phla、tcr单体分子表面信息，并通过层次化自适应修正及可选构象方差修正实现phla-tcr识别概率预测的方法。

背景技术：

1、t细胞受体（t cell receptor，tcr）对肽-人类白细胞抗原复合物（peptide-humanleukocyte antigen，phla）的识别决定了抗原特异性t细胞免疫反应。准确判断给定phla与配对tcrαβ是否能够发生有效识别，可用于肿瘤抗原筛选、治疗性tcr筛选、tcr工程优化以及疫苗候选抗原优先级排序。

2、然而，潜在phla-tcr组合空间巨大，而具有实验支持的识别数据数量有限且分布不均。现有序列预测方法通常主要依赖抗原肽、hla和tcr的序列信息，虽然易于大规模应用，但难以直接利用分子表面的局部几何形状和理化性质。另一方面，结构预测方法和部分多模态方法依赖phla-tcr三元复合物结构或预先构建的结合界面，而实验解析的三元复合物数量有限，且预测的蛋白复合物结合方向和界面接触还会引入额外不确定性。

3、上述问题在负样本构建中尤为突出。对于实际不发生识别的phla-tcr组合，通常不存在唯一、真实的结合构象，若首先人为构建三元复合物再提取界面特征，可能产生与真实生物过程无对应关系的人工界面。此外，现有多模态模型常将序列和结构作为并列输入直接融合，未充分考虑不同信息来源在可获得性、稳定性和样本级可靠性方面的差异，且结构信息在部分样本上反而可能降低预测稳定性。

4、同时，单一结构不能完整表征生物分子的构象动态特性，无法涵盖局部表面几何和理化特征。

技术实现思路

1、针对上述技术问题，本发明提供一种基于蛋白序列与分子表面层次化融合的phla-tcr识别预测方法。本发明的核心并非将序列与结构信息作为地位相同的并列模态直接融合，而是先以序列信息预测建立识别的基础，再依据模型预测不确定性、模型预测差异、输入序列的相似性和结构可靠性，对单体分子表面所提供的增量信息进行自适应修正；在具有多个单体构象状态时，还可进一步将不同单体构象分子结构的增量信息的统计方差作为附加修正。

2、本发明采用以下技术方案实现：

3、1）获取待预测样本的phla序列及配对tcrαβ链序列；若待预测样本具有实验解析phla-tcr复合物结构结构，则将phla与tcr从解析出的蛋白结构中分离，否则分别通过计算方法建立phla与配对tcrαβ链序列的蛋白结构，得到phla单体结构和tcr单体结构，两种结构在后续表面生成和推理过程中保持相互独立；

4、2）将phla序列对应的hla序列和抗原肽序列、配对tcrαβ链序列对应的tcrα链序列和tcrβ链序列输入序列模型，所述序列模型利用预训练蛋白语言模型获得hla序列、抗原肽序列、tcrα链序列和tcrβ链序列的残基级表示，hla序列和抗原肽序列的残基级表示经phla编码、tcrα链序列和tcrβ链序列的残基级表示经tcr链特异编码，再经过跨分子上下文编码获得序列全局表示，并由多层感知机输出序列识别得分；

5、3）分别根据phla单体结构和tcr单体结构构建分子表面，将分子表面划分为局部斑块（patch），并提取氢键特征、带电性、疏水性、曲率和形状指数五类表面特征；各表面特征输入表面模型，经几何卷积（geometric convolution）、跨表面空间编码和跨表面特征性质编码后，由多层感知机输出表面识别得分；

6、4）依据、以及模型预测不确定性、模型预测差异、序列相似性和结构可靠性等样本特征，计算自适应门控系数g和修正系数α；

7、5）以作为基础识别得分，对与的差值（增量信息）进行适应性缩放，形成层次化自适应修正，得到层次化融合后的识别得分，并通过sigmoid函数得到层次化融合后的识别概率；

8、6）根据层次化融合后的识别概率完成phla-tcr的识别判定，或者对候选抗原、候选tcr及其组合进行优先级排序。

9、进一步地，步骤1）中，phla单体结构和tcr单体结构可分别采用phla结构模型和tcr结构模型构建。

10、进一步地，步骤2）具体为：所述序列模型利用预训练蛋白语言模型分别对不同分子组分（phla序列对应的hla序列和抗原肽序列及配对tcrαβ链序列对应的tcrα链序列和tcrβ链序列）进行序列表征。对于分子组分m，利用预训练蛋白语言模型进行序列表征后得到残基级表示：

11、

12、其中，表示hla、抗原肽、tcrα链或tcrβ链中的任一输入序列，φ表示预训练蛋白语言模型。

13、tcrα链和tcrβ链对应的残基级表示分别经链特异编码，再分别池化后得到和，并可基于下式进一步获得tcr全局表征：

14、

15、其中，||表示向量拼接，表示拼接权重，表示拼接偏差。

16、hla与抗原肽的残基级表示先经过向量拼接后，再进行phla编码，即可获得phla全局表征，与进行向量拼接后，经跨分子上下文编码获得序列全局表示，再由多层感知机输出序列识别得分，并得到序列识别概率

17、进一步地，步骤3）中，所述表面模型针对各表面特征独立实施几何卷积，具体方法为：

18、对于局部斑块p中顶点j的极坐标，第k个可学习高斯核可表示为：

19、

20、其中，和分别表示顶点j到斑块中心的径向距离，以及顶点j相对于参考方向的角度，表示第k个高斯核在斑块中的径向中心，分别表示第k个高斯核在斑块中的角向中心，表示第k个高斯核在斑块中的径向覆盖宽度，表示第k个高斯核在斑块中的角向覆盖宽度，表示的是角距离函数，描述与的最短角距离。

21、对于表面特征c，局部斑块的第个高斯核对应的输出向量为：

22、

23、其中，为局部斑块内的顶点数量，为局部斑块p中顶点j对应的表面特征值。

24、phla和tcr的表面特征分别经过上述几何卷积处理后，获得phla斑块输出矩阵和tcr斑块输出矩阵，对phla和tcr的斑块输出矩阵进行合并后，经跨表面空间编码处理，得到各表面特征的表示向量；对多个表面特征的表示向量进行合并，再经跨表面特征性质编码融合处理，最后由多层感知机输出表面识别得分，并得到表面识别概率。

25、进一步地，本技术中的各种编码均是基于transformer编码器实现的。

26、进一步地，步骤4）中，将各个样本特征组成27维特征向量，所述样本特征包括2个模型预测特征（和）、2个模型预测不确定性特征（和）、4个结构可靠性特征（dope、plddt、ptm、iptm）、4个模型预测差异特征（、、和）以及15个序列相似性特征。

27、其中，模型预测不确定性可采用二元熵表示：

28、

29、代表序列识别概率或表面识别概率。

30、模型预测差异包括：概率差；不确定性差，和分别表示序列模型预测不确定性和表面模型预测不确定性；概率乘积特征，其中表示 z-score 标准化；以及带符号的 logit 乘积特征，其中为符号函数，

31、

32、结构可靠性用于表征phla结构模型和tcr结构模型的可信度，可由phla结构模型（如pandora）dope评分及tcr结构模型（alphafold3，tfold等）plddt，ptm，iptm置信度表征。其中，dope表示离散优化蛋白质能量，dope评分用于评估模型在物理/统计学上是否符合自然规律（越低越好）；plddt表示预测局部距离差测试，plddt置信度用于评估单个氨基酸残基（局部）预测得准不准（越高越好）；ptm表示预测模板匹配得分，ptm置信度用于评估整个蛋白质（全局）拓扑结构预测得准不准（越高越好）；iptm表示预测界面模板匹配得分，iptm置信度用于评估多聚体复合体之间（界面）结合得准不准（越高越好）。

33、序列相似性可分别在抗原肽、tcrα cdr3、tcrβ cdr3、tcrα可变区和tcrβ可变区五类序列空间中计算，并在同一种hla的阳性训练样本中提取最大相似性（5个），不同种hla的阳性训练样本中提取最大相似性（5个）以及高相似样本的均值（5个），共15个序列相似性特征。

34、将样本特征构成的27维特征向量作为回归模型输入，得到模型相对损失的预测值。

35、再对的预测值进行标准化，并经sigmoid函数得到门控系数。

36、当模型相对损失的预测值为正时，说明表面模型相对于序列模型具有更低损失，门控系数相应增大；当预测值为负时，分子表面所提供的增量信息被抑制。定义增量信息：

37、

38、进一步将序列识别得分、增量信息及经筛选的样本特征（根据回归模型的预测结果分析不同样本特征重要性，并选择重要性靠前的若干样本特征）构成的向量作为修正模型的输入，得到修正系数：

39、

40、其中，表示筛选后的样本特征，表示样本i的修正系数，表示样本i的序列识别得分，表示增量信息，表示样本i的表面识别得分。

41、其中，回归模型的训练方法为，以特征向量为输入，以序列模型与表面模型预测准确性的模型相对损失为为输出，训练得到回归模型。其中，序列模型与表面模型预测准确性的相对损失值的计算公式为：

42、

43、其中，为序列模型预测误差，为表面模型预测误差，和分别表示样本i的序列模型预测概率和表面模型预测概率，表示样本i的实验测试能否识别的二分类标签，输出为1表示能识别，输出为0表示不能识别。

44、步骤5）中，样本i的表面残差修正量、层次化融合后的识别得分及层次化融合后的识别概率分别为：

45、

46、

47、

48、进一步地，序列模型和表面模型分别采用交叉验证方式训练，并利用未参与训练的样本对修正模型和回归模型进行训练。该方式使回归模型和修正模型接收的样本特征均来自未参与过模型训练的样本，从而减少利用训练内拟合结果造成的信息泄漏。

49、进一步地，当能够获得phla单体和tcr单体的动态轨迹时，可从中获得多个单体构象，并进一步基于增量信息执行构象方差修正。具体方法为：

50、分别对phla单体和tcr单体的动态轨迹进行聚类，得到phla单体的构象簇集合和tcr单体的构象簇集合。设phla构象簇m的占有率为，tcr构象簇n的占有率为，由于两类单体构象独立采样，其联合占有率可表示为：

51、

52、对于每一构象组合(m,n)，保持序列识别得分不变，并根据该构象组合(m,n)重新生成表面模型预测值、门控系数及修正系数，得到构象组合(m,n)的表面残差修正量：

53、

54、由所有构象组合的表面残差修正量计算加权均值和加权方差：

55、

56、

57、则基于增量信息执行构象方差修正，具体表示为：

58、

59、表示经过构象方差修正的层次化融合后的识别得分，为构象方差修正权重（可根据需要自行调整）。

60、本发明的有益效果为：

61、1. 本发明直接从相互独立的phla和tcr单体结构构建分子表面，不要求预先获得或计算phla-tcr三元结合构象，避免了“预测识别之前先假定结合结构”的循环依赖，并减少蛋白复合物结合方向和界面接触带来的几何误差以及负样本人工界面对预测结果的影响。

62、2. 本发明采用层次化自适应融合方式，以序列识别得分作为基础，并利用模型预测不确定性、结构可靠性、模型预测差异和序列相似性动态调节表面残差修正量，相比将序列与结构作为等价输入的直接融合方式，可降低不可靠结构信息对预测结果的干扰。

63、3. 本发明给出了门控系数、修正系数与层次化融合的可计算形式，且利用交叉验证方式中未参与训练的样本对修正模型和回归模型进行训练，使回归模型、修正模型与表面模型、序列模型相互隔离，提高技术方案的可实施性和训练稳定性。

64、4. 在获得单体动态轨迹时，本发明可进一步通过构象组合的带来的增量信息执行构象方差修正，使模型获得单一构象所不包含的多构象合理性信息。

65、5. 本发明可以根据识别概率对候选phla-tcr组合排序，适用于抗原筛选、tcr筛选、tcr工程和疫苗候选抗原优先级排序等应用。