T-cell receptor
PulseAugur coverage of T-cell receptor — every cluster mentioning T-cell receptor across labs, papers, and developer communities, ranked by signal.
-
SwiftRepertoire框架实现少样本免疫特征合成
研究人员开发了SwiftRepertoire，一个旨在合成用于分析T细胞受体的特定任务参数化的新框架。该方法利用了学习到的原型字典和轻量级任务描述符来创建小的适配器模块，这些模块可以应用于一个固定的、预先训练好的骨干模型。这种方法能够以最少的标记数据和无需完全微调模型即可高效地适应新任务，并通过感知动机的探针和校准的发现流程来保持可解释性。
-
新的DynImmune-BERT模型使用神经ODE进行动态免疫图谱分析
研究人员推出DynImmune-BERT，这是一种用于分析动态免疫图谱随时间变化的新型模型。该模型采用连续时间方法，将神经常微分方程与Transformer相结合，以捕捉免疫细胞行为的复杂信号。DynImmune-BERT旨在通过考虑克隆存在、采样间隔和测序深度等因素来改进患者级别的免疫状态预测，而这些因素在静态模型中通常表示不足。评估表明，这种事件感知的时间建模可以在有纵向数据可用时提高预测精度，但解释小型外部队列的结果时应谨慎。
-
新的TCR-SRIM模型提供可解释的表位预测
研究人员开发了TCR-SRIM，一个用于预测T细胞受体（TCR）-表位结合的新模型。该模型整合了蛋白质语言模型嵌入和可解释的接触原型，以在残基水平分析TCR-表位相互作用。TCR-SRIM在TCR-XAI基准测试中表现出最先进的性能，并提供了增强的可解释性。研究还评估了生成的蛋白质结构对模型学习的影响，发现与AlphaFold3、TCRModel2和tFold-TCR预测的结构相比，实验解析的结构提供了更准确的相互作用模式和更大的结合位点多样性。
-
新基准揭示TCR抗原预测模型的局限性
研究人员开发了新的基准数据集，用于评估T细胞受体（TCR）抗原特异性预测模型的泛化能力。由于缺乏严格定义、未见过（unseen）的基准数据集，现有模型通常缺乏广泛应用所需的灵敏度和特异性。拟议的数据集旨在为模型评估提供一个稳健的框架，并促进下一代预测算法的开发。