감염과 싸우는 법 배우기

감염과 싸우는 법 배우기
날짜:
2022년 7월 20일
원천:
도쿄대학 산업과학연구소
요약:
연구원들은 T 세포의 짧은 아미노산 단편을 분석하면 기증자의 감염 이력을 예측하는 기계 학습 알고리즘을 개선할 수 있음을 발견했습니다. 여러 질병 및 샘플 크기를 사용한 성능 비교를 기반으로 결과 알고리즘은 더 작은 데이터 세트에서 기존 솔루션을 능가할 수 있습니다. 이 연구는 미래의 면역학적 혈액 검사를 통해 더 넓은 범위의 희귀 질환을 진단할 수 있게 해줄 것입니다.

많은 비용과 시간이 소요되며 때로는 수집하기 어려울 수 있는 대량의 데이터가 필요하기 때문에 과학적 발전이 지연되는 경우가 많습니다. 그러나 우리 몸이 질병과 싸우는 방식을 조사할 때 이 문제에 대한 해결책이 있을 수 있습니다. 바로 "MotifBoost"라는 새로운 기계 학습 방법입니다. 이 접근 방식은 특정 병원체에 대한 과거 감염을 식별할 때 T-세포 수용체(TCR)의 데이터를 해석하는 데 도움이 될 수 있습니다. 연구팀은 TCR에 있는 짧은 아미노산 서열 모음에 집중함으로써 더 작은 데이터 세트로 더 정확한 결과를 얻었습니다. 이 연구는 인간의 면역 체계가 세균을 인식하는 방식에 대해 밝힐 수 있으며, 이는 개선된 건강 결과로 이어질 수 있습니다.

최근의 전염병은 새로운 위협에 맞서 싸울 수 있는 인체 능력의 중요성을 강조했습니다. 적응 면역 시스템은 T 세포를 포함한 특수 세포를 사용합니다. 이 세포는 침입하는 세균에 특이적인 항원이 처음 도착하기 전에도 인식할 수 있는 다양한 수용체를 준비합니다. 따라서 수용체의 다양성은 중요한 연구 주제입니다. 그러나 수용체와 수용체가 인식하는 항원 사이의 일치는 종종 실험적으로 결정하기 어렵고 현재의 계산 방법은 충분한 데이터가 제공되지 않으면 종종 실패합니다.

이제 도쿄 대학 산업 과학 연구소의 과학자들은 제한된 TCR 데이터를 기반으로 기증자의 감염을 예측할 수 있는 새로운 기계 학습 방법을 개발했습니다. "MotifBoost"는 각 수용체에서 k-mer라고 하는 매우 짧은 세그먼트에 중점을 둡니다. 과학자들이 고려하는 단백질 모티프는 일반적으로 훨씬 더 길지만, 팀은 3개의 연속적인 아미노산의 각 조합의 빈도를 추출하는 것이 매우 효과적이라는 것을 발견했습니다. 제1저자인 카타야마 요타로(Yotaro Katayama)는 "소규모 데이터세트에서 훈련된 우리의 기계 학습 방법은 매우 큰 데이터세트에서만 작동하는 기존 분류 방법을 보완할 수 있습니다."라고 말했습니다. MotifBoost는 다른 사람들이 동일한 병원체에 노출되었을 때 일반적으로 유사한 TCR을 생성한다는 사실에서 영감을 받았습니다.

첫째, 연구자들은 데이터에서 발견된 패턴을 기반으로 기증자를 자동으로 분류하는 비지도 학습 접근 방식을 사용했으며 기증자가 이전에 거대 세포 바이러스(CMV)에 감염되었는지 여부에 따라 k-mer 분포를 사용하여 별개의 클러스터를 형성함을 보여주었습니다. 비지도 학습 알고리즘에는 CMV에 감염된 기증자에 대한 정보가 없기 때문에 이 결과는 k-mer 정보가 환자의 면역 상태 특성을 파악하는 데 효과적임을 나타냅니다. 그런 다음 과학자들은 감독 학습 작업에 k-mer 분포 데이터를 사용했습니다. 여기서 알고리즘에는 기증자가 특정 질병에 감염된 레이블과 함께 각 기증자의 TCR 데이터가 제공되었습니다. 그런 다음 알고리즘은 보이지 않는 샘플에 대한 레이블을 예측하도록 훈련되었습니다.

"우리는 기존의 기계 학습 방법이 샘플 수가 특정 임계 크기 아래로 떨어지면 학습 불안정성과 정확도 감소로 어려움을 겪을 수 있다는 것을 발견했습니다. 대조적으로 MotifBoost는 큰 데이터 세트에서 잘 수행했지만 작은 데이터 세트에서는 여전히 좋은 결과를 제공했습니다. "라고 선임 저자 Tetsuya J. Kobayashi는 말합니다. 이 연구는 T 세포 구성을 기반으로 한 바이러스 노출 및 면역 상태에 대한 새로운 테스트로 이어질 수 있습니다.

이 연구는 Frontiers in Immunology 에 "레퍼토리 분류 방법에 대한 비교 연구는 k-mer 특징 추출의 데이터 효율성을 보여줍니다."로 발표되었습니다.