基于SVM集成学习分析TCR与肽的特异性结合.pdfVIP

AdvancesinAppliedMathematics应用数学进展,2024,13(8),3618-3624

PublishedOnlineAugust2024inHans./journal/aam

/10.12677/aam.2024.138344

基于SVM集成学习分析TCR与肽的

特异性结合

*

白宁仪，李国洁

河南科技大学数学与统计学院，河南洛阳

收稿日期：2024年7月1日；录用日期：2024年7月26日；发布日期：2024年8月1日

摘要

本文提出了一种两阶段的方法来预测肽与T细胞受体(TCR)的特异性结合，旨在通过逐步优化预测过程来

提高准确性。在第一阶段，我们采用堆叠式自动编码器对肽和TCR序列进行数值嵌入，特别是关注TCRβ

链的CDR3区域，这是肽识别的关键决定因素。通过Atchley因子编码，我们将氨基酸的生化特性转换为

数字矩阵，并利用无监督学习捕捉序列的关键特征。实验结果表明，自动编码器能够高度忠实地重建原

始序列，验证了数值嵌入的有效性。在第二阶段，我们基于第一阶段生成的数值编码，构建了一个集成

学习模型来预测肽与TCR的特异性结合。该模型结合了不同内核的支持向量机(SVM)作为基学习器，并

通过堆叠法集成它们的预测结果，以提高模型的泛化能力和捕捉基学习器之间的互补性。实验结果显示，

集成学习模型的性能显著优于单一的SVM模型，其ROC值的提升，表明集成学习在预测肽与TCR特异性

结合方面具有更高的准确性。本文的创新点在于结合了自动编码器的数值嵌入技术和集成学习的预测模

型，不仅提高了预测的准确性，还为生物信息学领域的序列分析提供了新的方法论。

关键词

集成学习，特异性结合，SVM，自动编码器

AnalysisofSpecificBindingbetween

TCRandPeptidesBasedon

SVMEnsembleLearning

*

NingyiBai,GuojieLi

SchoolofMathematicsandStatistics,HenanUniversityofScienceandTechnology,

LuoyangHenan

stthst

Received:Jul.1,2024;accepted:Jul.26,2024;published:Aug.1,2024

*通讯作者。

文章引用:白宁仪,李国洁.基于SVM集成学习分析TCR与肽的特异性结合[J].应用数学进展,2024,13(8):3618-3624.

DOI:10.12677/aam.2024.138344

白宁仪，李国洁

Abstract

Thisarticleproposesatwo-stageapproachtopredictthespecificbindingofpeptidestoTcellre-

ceptors(TCRs),aimingtoimproveaccuracybygraduallyoptimizingthepredictionprocess.Inthe

firststage,weuseastackedautoencodertonumericallyembedpeptidesandTCRsequences,par-

ticularlyfocusingontheCDR3regionoftheTCRβchain,whichisakeydeterminantofpeptide

recognition.By