重鎖特徴を用いた抗体特異性の分類に関する計算モデル
カテゴリ：公衆衛生・予防医療
公開日：2026年5月21日
タイトル：Computational models for the classification of antibody specificity using heavy chain features.
雑誌名：PLoS One. 2026; 21(5): e0349143. doi: 10.1371/journal.pone.0349143.
概 要：
本研究では、抗体の特異性を特定の抗原クラスに分類するための計算モデルを開発しました。抗体は免疫防御において重要な役割を果たし、その特異性は主に重鎖の配列によって決まります。高スループットシーケンシング技術により、膨大な抗体配列データセットが生成され、これに対する高度な分析手法が求められています。NCBIデータベースから収集した抗体配列を用いて、抗体を抗原クラスに分類するための機械学習モデルを構築しました。
方 法：
本研究では、抗体の重鎖配列から物理化学的特性、構造的組成、配列順序、進化情報を含む多面的な特徴を抽出しました。これらの特徴を機械学習分類器に入力し、抗デング熱ウイルス、抗インフルエンザウイルス、抗破傷風菌、抗SARS-CoV-2、抗結核菌の5つの抗原クラスに対する特異性を予測しました。
結 果：
5つの木ベースの機械学習モデルを使用し、CatBoostが最高精度0.7713を達成しました。さらに、複数のアルゴリズムを活用したスタッキングモデルを開発し、精度を0.7803に向上させました。特徴ベースのトランスフォーマー深層学習アーキテクチャも実装し、精度0.7399とF1スコア0.6761を得ました。SHAPフレームワークを用いて抗体-抗原相互作用の主要因子を評価したところ、配列順序と進化情報を表す特徴が重要であることが示されました。特に、システイン（Cys）が最も影響力のある特徴として浮かび上がりました。
結 論：
本研究は、機械学習および深層学習アプローチが抗体を特定の抗原カテゴリに分類する上での有効性を示し、抗体特異性に関連する特徴に関する配列ベースの洞察を提供します。これらの知見は、メカニズムの理解、抗体の分離、潜在的な治療抗体の開発に重要な意味を持ちます。