Overview

Die Identifizierung von Peptiden, die an den Haupthistokompatibilitätskomplex (MHC) binden, ist ein wichtiger Schritt bei der Auswahl von T-Zell-Epitop-Kandidaten, die für die Verwendung in neuen Impfstoffen geeignet sind. Die Bindungsfurche des MHC-Klasse-II-Moleküls ist an beiden Seiten offen, was eine hohe Variabilität in der Länge der Peptide ermöglicht, die an dieses Molekül binden, und folglich die Vorhersage des Bindungskernmotivs erschwert. Ein genauer und effizienter rechnerischer Ansatz zur Vorhersage solcher Peptide kann den Zeit- und Kostenaufwand für die Entwicklung neuer Impfstoffe erheblich reduzieren. EpiGASVM, ein neuer Ansatz für die In-silico-Vorhersage von MHC-Klasse-II-Epitopen, wurde durch die Kombination von genetischen Algorithmen und Support-Vektor-Maschinen entwickelt. Neun Varianten von EpiGASVM wurden auf zwei Sätze von Benchmark-Daten mit reduzierter Ähnlichkeit angewendet. Die Vorhersagegenauigkeit und die Fläche unter der Empfänger-Operationscharakteristik-Kurve wurden als Leistungsmaß berechnet. Die Technik wird mit einigen modernsten Techniken in diesem Bereich verglichen (z. B. ARB, SMM-Align, PROPRED, NN-Align). Die Ergebnisse zeigen, dass EpiGASVM eine vielversprechende neue Technik für die Lösung des Problems der MHC-Klasse-II-Epitop-Vorhersage ist.

Full Product Details

9786209590375

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available