Analýza sekvencí protilátek pomocí metod hlubokého učení

Abstract

Pokroky v sekvenovaní umožňujú vedcom zbierať veľké množstvá DNA sekvenovaných dát a spolu s výpočtovými zdrojmi poskytovanými výpočtovými klastermi umožnňujú využívať výpočtové prístupy napomáhajúce v mnohých biologických procesoch ako vývoj vakcín alebo návrh protilátok, ktoré momentálne využívajú pracné a drahé in-vitro techniky. Spracovanie prirodzeného jazyka (NLP) je odbor zaoberajúci sa slovami a sekvenciami slov. Analógia medzi vetami, teda sekvenciami slov a biologickými sekvenciami, teda sekvenciami aminokyselín viedla k mnohým experimentom, ktoré aplikujú modely na spracovanie prirodzeného jazyka na modelovanie biologických sekvencií. V tejto práci som natrénoval NLP modely hlbokého učenia, predtrénované na ľudských protilátkach z the Observed Antibody Space database, s cieľom klasifikácie špecificity protilátok voči Hepatitíde typu B. Finálny model je schopný predikovať špecificitu protilátok voči Hepatitíde typu B s nasledovným F1 skóre a ROC AUC proporcioniálnym k veľkosti klonotypov: 0.116, 0.829 pre validačné dáta a 0.333, 0.509 pre testovacie dáta (z inej vakcinačnej štúdie), v danom poradí. Tento model bol prekonaný jednoduchším modelom používajúcim molekulárne odtlačky s nasledovnými výsledkami: 0.155, 0.715 a 0.474, 0.645, v odpovedajúcom poradí. V práci je navrhnutá postupnosť operácií, ktorá môže byť ďalej vylepšená pomocou iných metód alebo jej rozšírením o ďalšie predspracovanie dát alebo iné reprezentácie protilátok. Napriek tomu, že výkon in-silico metód je horší oproti in-vitro metódam, poskytujú lacnejšiu, rýchlejšiu a škálovateľnejšiu alternatívu alebo dodatočnú techniku, ktorá môže byť v budúcnosti ďalej vylepšovaná.

Advances in sequencing technologies allow scientist to gather large amounts of DNA sequence data and together with computational resources provided by high-performance computing clusters allow the use of computational approaches aiding in many biological processes such as vaccine development or antibody design which currently employ laborious and expensive in-vitro techniques. Natural Language Processing (NLP) is a field dealing with words and sequences of words. The analogy between sentences as sequences of words and biological sequences as sequences of amino acids led to experiments applying NLP models for modelling biological sequences. In this work, I train deep learning NLP models pre-trained on human antibodies from the Observed Antibody Space database in order to classify Hepatitis B specificity of antibodies. The final model can predict antibodies' Hepatitis B specificity with following F1 scores and ROC AUC proportional to the clonotype sizes: 0.116, 0.829 for validation data and 0.333, 0.509 for the test data (from different vaccination study), in the given order. This model has been outperformed by a simpler model using molecular fingerprints yielding following results: 0.155, 0.715 and 0.474, 0.645, in the same order. The thesis outlines a pipeline which can be further improved by using different models or extending the pipeline by additional data preprocessing or different representations of antibodies. Even though the performance of the in-silico methods is worse than the performance of in-vitro methods, they provides a cheaper, faster and more scalable alternative or additional technique that can be further improved.