返回
Benchmarking unsupervised methods for inferring TCR specificity
DOI:10.1093/nargab/lqaf150.png)
摘要
En 中文
鉴定T细胞受体(TCR)特异性对于推动适应性免疫的理解至关重要。尽管已发展出用于推断TCR特异性的计算方法,但它们的聚类行为尚未得到充分比较。我们通过整理一个统一的数据库来解决这个问题,该数据库包含来自121种生物的2313个表位对应的190670个人类TCR,这些TCR具有已知的特异性,数据整合自IEDB、McPAS-TCR和VDJdb。我们探究了广泛使用的TCR聚类方法是否能在同一高置信度数据集上产生可比的结果。我们假设关于保守CDR3基序的共享假设会产生相似的聚类模式,而差异则反映算法设计。针对此数据集,对基于相似性的9种TCR聚类方法进行了基准测试。DeepTCR表现出最佳的重现率,而ClusTCR、TCRMatch和GLIPH2在聚类纯度方面表现优异,但重现率较低。GLIPH2、Levenshtein距离、Hamming距离和clusTCR生成了较大的聚类,与TCRMatch和DeepTCR形成对比。GIANA和iSMART则产生了较小且抗原特异性的聚类。DeepTCR在捕获抗原特异性TCR方面最为敏感。我们使用一个来自10X Genomics的更大数据集(包含抗原特异性标记TCR和非标记细胞)验证了这些观察结果。本研究提供了一个统一的TCR数据库和特异性推断方法的基准测试,为研究人员选择合适工具提供指导。
Keyword:
ALLELIC EXCLUSION
CELL
EXPRESSION
SEQUENCE
期刊
N
IF:
2.8
论文数:
259
被引数:
0
机构
引用论文
Can we predict T cell specificity with digital biology and machine learning?我们可以通过数字生物学和机器学习预测T细胞特异性吗?
VDJdb in the pandemic era: a compendium of T cell receptors specific for SARS-CoV-2大流行时代的VDJdb: SARS-CoV-2特异性T细胞受体纲要
NATURE METHODS
IF32.1
Targeting of multiple tumor-associated antigens by individual T cell receptors during successful cancer immunotherapy在成功的癌症免疫疗法中,通过单个T细胞受体靶向多种肿瘤相关抗原
Cell
IF0
Dual TCR-Expressing T Cells in Cancer: How Single-Cell Technologies Enable New Investigation双TCR表达T细胞在癌症中的作用:单细胞技术如何实现新的研究
VDJdb: a curated database of T-cell receptor sequences with known antigen specificityVDJdb: 具有已知抗原特异性的T细胞受体序列的精选数据库
NUCLEIC ACIDS RESEARCH
IF13.1
T cell receptor repertoires of mice and humans are clustered in similarity networks around conserved public CDR3 sequences
ELIFE
IF0
Decoupling peptide binding from T cell receptor recognition with engineered chimeric MHC-I molecules用工程化的嵌合mhc-i分子将肽结合与T细胞受体识别脱钩
Human thymopoiesis produces polyspecific CD8+ α/β T cells responding to multiple viral antigens
ELIFE
IF0
A functionally validated TCR-pMHC database for TCR specificity model development一个功能验证的TCR-pMHC数据库,用于TCR特异性模型开发

