ترجمه فارسی مقاله TCR-GPT: ادغام مدل خودهمبسته و یادگیری تقویتی برای تولید مخازن گیرنده سلول T

چکیده

T-cell receptors (TCRs) play a crucial role in the immune system by recognizing and binding to specific antigens presented by infected or cancerous cells. Understanding the sequence patterns of TCRs is essential for developing targeted immune therapies and designing effective vaccines. Language models, such as auto-regressive transformers, offer a powerful solution to this problem by learning the probability distributions of TCR repertoires, enabling the generation of new TCR sequences that inherit the underlying patterns of the repertoire. We introduce TCR-GPT, a probabilistic model built on a decoder-only transformer architecture, designed to uncover and replicate sequence patterns in TCR repertoires. TCR-GPT demonstrates an accuracy of 0.953 in inferring sequence probability distributions measured by Pearson correlation coefficient. Furthermore, by leveraging Reinforcement Learning(RL), we adapted the distribution of TCR sequences to generate TCRs capable of recognizing specific peptides, offering significant potential for advancing targeted immune therapies and vaccine development. With the efficacy of RL, fine-tuned pretrained TCR-GPT models demonstrated the ability to produce TCR repertoires likely to bind specific peptides, illustrating RL’s efficiency in enhancing the model’s adaptability to the probability distributions of biologically relevant TCR sequences.

چکیده به فارسی (ترجمه ماشینی)

گیرنده های سلول T (TCR) با شناخت و اتصال به آنتی ژن های خاص ارائه شده توسط سلولهای آلوده یا سرطانی نقش مهمی در سیستم ایمنی بدن دارند.درک الگوهای توالی TCR برای توسعه روشهای درمانی ایمنی هدفمند و طراحی واکسن های مؤثر ضروری است.مدل های زبانی ، مانند ترانسفورماتورهای بازپرداخت خودکار ، با یادگیری توزیع احتمال از مجموعه های TCR ، یک راه حل قدرتمند برای این مشکل ارائه می دهند ، و این امکان را فراهم می کند که تولید توالی های جدید TCR را که به ارث می برند الگوهای اساسی این رپرتوار است.ما TCR-GPT را معرفی می کنیم ، یک مدل احتمالی که بر روی یک معماری ترانسفورماتور فقط رمزگذار ساخته شده است ، که برای کشف و تکثیر الگوهای دنباله ای در کارنامه TCR طراحی شده است.TCR-GPT دقت 0.953 را در توزیع احتمال توالی استنباط اندازه گیری شده توسط ضریب همبستگی پیرسون نشان می دهد.علاوه بر این ، با استفاده از یادگیری تقویت کننده (RL) ، ما توزیع توالی TCR را برای تولید TCR هایی که قادر به شناخت پپتیدهای خاص هستند ، تطبیق دادیم و پتانسیل قابل توجهی برای پیشرفت روشهای درمانی هدفمند و توسعه واکسن ارائه می دهیم.با اثربخشی RL ، مدل های TCR-GPT با تنظیم دقیق تنظیم شده توانایی تولید رپرتورهای TCR را که احتمالاً پپتیدهای خاص را به هم متصل می کنند ، نشان می دهد ، و این نشان می دهد کارآیی RL در تقویت سازگاری مدل با توزیع احتمال توالی های TCR از نظر بیولوژیکی مرتبط است.