OmniTCR:统一T细胞受体识别预测与条件序列生成的基础模型

由 root 提交于 周六, 10/17/2026 - 18:10
摘要

传统上,T细胞受体(TCR)识别预测与受体生成通常分别建模,导致海量TCR序列集合与规模较小的TCR–肽–主要组织相容性复合体(MHC)数据集彼此脱节。在此,我们提出OmniTCR,这是一个拥有1.13亿参数的自回归基础模型,在3.28亿条经过格式化的人类免疫序列记录上进行预训练。序列类型标记与互补的组分排列顺序,使模型能够对单条TCR链以及部分或完整的TCR–肽–MHC(pMHC)关联进行联合学习。在未见过的表位上,OmniTCR在肽–TCRβ识别和TCR–pMHC相互作用预测任务中的精确率–召回率曲线下面积(AUPRC)分别达到0.7009和0.8235,较所评估的最强对比模型分别提高0.3396和0.3451。在11个独立的泛癌队列中,该模型能够区分癌症与健康免疫受体库,平均受试者工作特征曲线下面积(AUROC)为0.9436。该模型在内部和外部生成基准测试中均取得了最高的序列恢复率。结构建模结果支持所选pMHC条件下生成的互补决定区3β(CDR3β)候选序列的合理性。OmniTCR将异质性免疫序列数据连接起来,为计算免疫学与受体设计提供了基础。

OmniTCR:统一T细胞受体识别预测与条件序列生成的基础模型 | bioRxiv

跳转至主要内容

首页

关于

投稿

提醒 / RSS

搜索此关键词

高级搜索

最新结果

OmniTCR:统一T细胞受体识别预测与条件序列生成的基础模型

查看ORCID个人资料

Feiran

Zeng

,

查看ORCID个人资料

Duanyu

Feng

,

查看ORCID个人资料

Dandan

Song

,

查看ORCID个人资料

Li

Ding

,

Zhenlin

Tan

,

查看ORCID个人资料

Qian

Lei

,

查看ORCID个人资料

Wenqiang

Lei

,

查看ORCID个人资料

An-Yuan

Guo

doi:

https://doi.org/10.64898/2026.09.10.750588

Feiran Zeng

1

四川大学华西医院华西生物医学大数据中心;

在Google学术中查找该作者

在PubMed中查找该作者

在本站搜索该作者

Feiran Zeng的ORCID记录

Duanyu Feng

2

四川大学计算机学院,中国成都,610041

在Google学术中查找该作者

在PubMed中查找该作者

在本站搜索该作者

Duanyu Feng的ORCID记录

Dandan Song

1

四川大学华西医院华西生物医学大数据中心;

在Google学术中查找该作者

在PubMed中查找该作者

在本站搜索该作者

Dandan Song的ORCID记录

Li Ding

2

四川大学计算机学院,中国成都,610041

在Google学术中查找该作者

在PubMed中查找该作者

在本站搜索该作者

Li Ding的ORCID记录

Zhenlin Tan

1

四川大学华西医院华西生物医学大数据中心;

在Google学术中查找该作者

在PubMed中查找该作者

在本站搜索该作者

Qian Lei

1

四川大学华西医院华西生物医学大数据中心;

在Google学术中查找该作者

在 PubMed 上查找该作者

在本站搜索该作者

Qian Lei 的 ORCID 记录

Wenqiang Lei

2

四川大学计算机学院,中国成都 610041

在 Google Scholar 上查找该作者

在 PubMed 上查找该作者

在本站搜索该作者

Wenqiang Lei 的 ORCID 记录

An-Yuan Guo

1

四川大学华西医院华西生物医学大数据中心;

在 Google Scholar 上查找该作者

在 PubMed 上查找该作者

在本站搜索该作者

An-Yuan Guo 的 ORCID 记录

通信联系:

guoanyuan{at}wchscu.cn

摘要

信息/历史

指标

补充材料

预览 PDF

摘要

传统上,T 细胞受体(TCR)识别预测与受体生成分别建模,导致海量 TCR 序列集合与规模较小的 TCR–肽–主要组织相容性复合体(MHC)数据集彼此割裂。在此,我们提出 OmniTCR,这是一种具有 1.13 亿个参数的自回归基础模型,在 3.28 亿条格式化的人类免疫序列记录上进行了预训练。序列类型标记与互补的组分排列顺序,使模型能够联合学习单条 TCR 链以及部分或完整的 TCR–肽–MHC(pMHC)关联。对于未见过的表位,OmniTCR 在肽–TCRβ 识别和 TCR–pMHC 相互作用预测任务中的精确率–召回率曲线下面积(AUPRC)分别达到 0.7009 和 0.8235,较所评估的最强对比模型分别高出 0.3396 和 0.3451。在 11 个独立的泛癌队列中,该模型能够区分癌症与健康个体的 TCR 受体库,平均受试者工作特征曲线下面积(AUROC)为 0.9436。该模型在内部和外部生成基准测试中均取得了最高的序列恢复率。结构建模支持了所选的、以 pMHC 为条件生成的互补决定区 3β(CDR3β)候选序列的合理性。OmniTCR 将异质免疫序列数据联结起来,为计算免疫学和受体设计提供了基础。

利益冲突

利益声明

作者声明不存在利益冲突。

已声明的资助信息

国家自然科学基金

,32525021

,92574106

四川省自然科学基金

,2026NSFSC0495

四川大学华西医院学科卓越发展1.3.5工程

,ZYYC23007

版权

本预印本的版权所有者为作者/资助方,其已授予 bioRxiv 永久展示本预印本的许可。

本预印本依据

CC BY 4.0 国际许可协议

开放使用。

返回顶部

上一篇

下一篇

发布于2026年9月13日。

下载 PDF

补充材料

电子邮件

感谢您有意传播 bioRxiv 上的内容。

注意:索取您的电子邮件地址仅用于确认您是本文的发送者。

您的电子邮件地址

*

您的姓名

*

发送至

*

请输入多个电子邮件地址,每行一个,或用逗号分隔。

您将通过电子邮件发送以下内容

OmniTCR:统一 T 细胞受体识别预测与条件序列生成的基础模型

邮件主题

(您的姓名)从 bioRxiv 向您转发了一个页面

邮件正文

(您的姓名)认为您可能想查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于验证您是否为真人访问者,并防止自动提交垃圾信息。

分享

OmniTCR:统一 T 细胞受体识别预测与条件序列生成的基础模型

Feiran

Zeng

,

Duanyu

Feng

,

Dandan

Song

,

Li

Ding

,

Zhenlin

Tan

,

Qian

Lei

,

Wenqiang

Lei

,

An-Yuan

Guo

bioRxiv

2026.09.10.750588;

doi:

https://doi.org/10.64898/2026.09.10.750588

分享本文:

复制

引文工具

OmniTCR:统一 T 细胞受体识别预测与条件序列生成的基础模型

Feiran

Zeng

,

Duanyu

Feng

,

Dandan

Song

,

Li

Ding

,

Zhenlin

Tan

,

Qian

Lei

,

Wenqiang

Lei

,

An-Yuan

Guo

bioRxiv

2026.09.10.750588;

doi:

https://doi.org/10.64898/2026.09.10.750588

文献管理器格式

BibTeX

Bookends

EasyBib

EndNote(标签格式)

EndNote 8(XML格式)

Medlars

Mendeley

Papers

RefWorks 标签格式

Ref Manager

RIS

Zotero

推文小组件

Facebook 点赞

Google Plus +1

学科领域

所有文章

动物行为与认知

(7983)

生物化学

(18684)

生物工程

(14804)

生物信息学

(44278)

生物物理学

(22531)

肿瘤生物学

(19650)

细胞生物学

(26810)

临床试验

(138)

发育生物学

(13915)

生态学

(20940)

流行病学

(2067)

进化生物学

(25400)

遗传学

(16132)

基因组学

(23443)

免疫学

(18640)

微生物学

(42360)

分子生物学

(17992)

神经科学

(93155)

古生物学

(695)

病理学

(2974)

药理学与毒理学

(5075)

生理学

(8087)

植物生物学

(15944)

科学传播与教育

(2094)

合成生物学

(4546)

系统生物学

(10202)

动物学

(2381)

关键词:T细胞受体 · 自回归基础模型 · TCR–pMHC识别预测 · 条件序列生成 · 免疫受体库 · 计算免疫学

原文链接:https://www.biorxiv.org/content/10.64898/2026.09.10.750588v1?rss=1