Desenvolvimento de um modelo de aprendizado profundo para predição da interação entre receptores de células T e epítopos

• Processo: 24/20196-1
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 31 de dezembro de 2026
• Área de conhecimento: Ciências Biológicas - Bioquímica - Química de Macromoléculas
• Pesquisador responsável: Helder Veras Ribeiro Filho
• Beneficiário: Samuel Chagas de Assis
• Instituição Sede: Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). Ministério da Ciência, Tecnologia e Inovação (Brasil). Campinas , SP, Brasil
• Assunto(s): Aprendizagem profunda Linfócitos T Epitopos Teoria dos grafos Interação de proteínas
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Células T | Epitopos | Teoria de Grafos | Interação de proteínas

Resumo

Os linfócitos T, por meio dos receptores de células T (TCR), desempenham um papel fun-damental na resposta imunológica, reconhecendo epítopos antigênicos específicos, na forma depeptídeos apresentados pelo complexo principal de histocompatibilidade (pMHC). Compreendera interação entre TCR e pMHC possibilita o entendimento da especificidade dos TCRs por an-tígenos e, consequentemente, a determinação da função dos repertórios de TCR no organismo,sendo útil no diagnóstico e no entendimento da resposta imunológica contra doenças. Além disso,a capacidade de determinar o reconhecimento de TCRs por antígenos permite o planejamentoou a priorização de novos TCR específicos que possam ser utilizados em imunoterapias baseadasem células T, além de uma melhor avaliação de epítopos antigênicos para vacinas baseadasem células T, com o intuito de mitigar a ocorrência de reatividade cruzada. Portanto, nesteprojeto, desenvolveremos uma ferramenta computacional baseada em aprendizado profundo,utilizando redes neurais de grafos para prever a interação entre TCR e epítopos apresentadospelo MHC. Com o objetivo de superar os desafios enfrentados por preditores existentes, quelimitam sua acurácia e capacidade de generalização para epítopos não presentes nos conjuntosde treinamento, nosso preditor integrará informações estruturais 3D de TCR e pMHC e utilizaráimplementações já existentes de redes de grafos com mecanismos de atenção, além de modelosde linguagem de proteínas pré-treinados, para fornecer representações enriquecidas e contextu-alizadas dos aminoácidos dessas proteínas. Utilizando todas as regiões do TCR e do pMHCrelevantes para essa interação, esperamos que o modelo aprenda relações entre aminoácidosdeterminantes para a interação. (AU)