機械学習とベイズ推論の融合による免疫受容体タンパク質の設計手法の開発

点击翻译按钮获取中文摘要

本研究は，機械学習とベイズ推論を組み合わせて，高精度かつ効率的な免疫受容体タンパク質の設計手法を確立することを目指している．T細胞受容体（TCR）は，がん免疫においてがん細胞を認識する重要な役割を果たすが，患者に合わせた適切なTCRを見つけることが困難である．本研究では，タンパク質設計問題を統計のサンプリング問題と捉え，機械学習モデルを用いてTCR配列から結合能を予測し，TCR配列空間をサンプリングして高い結合能を持つTCR配列を発見する．当該年度では，申請者はベイズ推論に基づくTCR配列のサンプリング手法を開発し，その性能を確認した．従来のサンプリング手法では，高い結合能を持つTCR配列を見つけられるものの，類似した配列が多く存在し，結合能の高いローカルモードにとらわれる問題があった．この問題に対処するため，クラスタリングを導入した逐次モンテカルロ法（SMC）を開発し，全体の探索と結合能の高い領域の優先的な探索のバランスを制御することに成功した．ただし，この手法はpHLAとTCRの結合能予測モデルに依存し，小規模データや結合能データが存在しないpHLAには適用できない．申請者は，シミュレーションと機械学習の両方から解決策を模索していた．シミュレーションモデルは予測精度が低く，時間もかかるため，本研究には適さないことが判明した．機械学習モデルは高い精度を実現できるが，タンパク質の立体構造情報が必要であり，配列からの高精度予測方法は未確立である．現在，申請者はマルチモーダル学習とタンパク質立体構造予測モデルを活用し，配列から高精度な結合能予測モデルの開発を進めている．