Development of T-cell receptor ligand identification technology using deep learning

2022 Fiscal Year Annual Research Report

• Project/Area Number: 18K07180
• Research Institution: Tokyo Medical University
• Principal Investigator: 中津川 宗秀 東京医科大学, 医学部, 教授 (70448596)
• Project Period (FY): 2018-04-01 – 2023-03-31
• Keywords: 腫瘍免疫 / 構造解析 / ペプチド／抗原提示分子複合体 / 分子モデリング

Outline of Annual Research Achievements

本研究の目的は、T細胞受容体(以下、TCR)遺伝子配列からそのリガンドである抗原ペプチド／抗原提示分子複合体（以下、pHLA）を同定する技術を開発し、患者あるいは健常人のTCRレパトアから認識抗原群を同定し、病気に対して最適な抗原を標的とした個別化治療あるいは個別化予防を実現することである。本研究では、コンピューター上の計算によって、TCR配列情報からそのリガンドである抗原ペプチド／抗原提示分子複合体を同定する技術を開発することを目指す。　これまで既知のTCR／pHLA構造解析データを用いて、様々な組み合わせを用い、ドッキングシミュレーションを行った結果、ある結合条件がTCR認識ペプチド抗原提示分子ペアでは当てはまるが、非認識TCR/pHLAペアでは当てはまらないことがわかった。結合条件の有無をスコア化することで、TCR認識ペプチド抗原提示分子ペアでは、高いスコアを示すことがわかった。　今回さらに、構造未知のTCR/pHLAペアを用いて、それらの配列情報から分子モデリングを行い、予測構造を作成し、ドッキングシミュレーションを行い、in silico結合評価した結果、TCRが認識できるpHLAとのペアでのみ、より高いスコアを示した。このことは、構造データを用いてコンピュータ上でTCRがあるpHLAを認識するかどうかを判別可能であることを示唆している。　本研究では、ディープラーニング技術を利用した解析も行ったが、解析効率がわるいことが判明した。ディープラーニング技術を用いるよりも、網羅的なドッキングシミュレーションを実行することで、より精度の高いTCR/pHLA結合判定が可能となることがわかった。