مدل سازی سیستم ایمنی مبتنی بر پیش بینی مراحل پردازش آنتی ژن با استفاده از روش های یادگیری ماشین

سیستم ایمنی انسان، حفاظت موثری را در برابر پاتوژن های مهاجم، ایجاد می کند. پاتوژن های خارج سلولی غالبا توسط مکانیسم های مبتنی بر آنتی بادی شناسایی شده و از بین می روند (ایمنی هومورال)، در حالی که سلول های آلوده به ویروس و یا سلول های بدخیم، عمدتا توسط سلول های t کشنده، نابود می شوند (ایمنی سلولی). ایجاد اپی توپ های سلول t کشنده از دنباله ی آنتی ژنی، مستلزم چندین فرآیند داخل سلولی بوده که شامل ایجاد بخش های پپتیدی توسط پروتئوزوم، انتقال پپتیدها به شبکه ی آندوپلاسمی با واسطه ی tap و شکل گیری کمپلکس پپتید-mhc می باشد. فهم جزئیات این مراحل، در طراحی واکسن و ایمنی درمانی مهم است. از آن جایی که آزمایشات موردنیاز برای شناسایی نواحی مناسب از نظر ایمنی در آنتی ژن، پرهزینه و زمان بر می باشند، نیاز ضروری به توسعه ی روش های محاسباتی به منظور پیش بینی مراحل مختلف پردازش آنتی ژن وجود دارد. تلاش های زیادی به منظور مدل سازی و پیش بینی فرآیندهای درگیر در این پردازش، صورت گرفته است. عمده ی تمرکز بر روی پیش بینی باندشدن پپتید به مولکول mhc بوده و نتایج نسبتا خوبی به دست آمده است، با این حال، جا برای بهبود نتایج وجود دارد. در مورد دو فرآیند مهم دیگر شامل شکست پروتئوزومی و انتقال tap، تلاش کمتری صورت گرفته است زیرا دانش کمی در مورد آن ها وجود دارد و داده های بسیار کمی در دسترس است. در این پایان نامه، روش هایی برای پیش بینی باندشدن پپتید به مولکول mhc کلاس i و ii پیشنهاد شده که مبتنی بر الگوریتم های یادگیری ماشین و ویژگی های فیزیکی-شیمیایی آمینواسیدها می باشند. این روش ها، بهبودی را در سطح زیر منحنی roc، در مقایسه با روش های قبلی نشان می دهند. همچنین روشی را برای پیش بینی محل های شکست در آنتی ژن های اندوژن و اگزوژن توسعه دادیم که براساس الگوهای دنباله ای مشترک بین پپتیدها، عمل می کند. علاوه بر آن، با استفاده از ویژگی های فیزیکی-شیمیایی آمینواسیدها و الگوریتم جنگل تصادفی، روشی برای پیش بینی باندشدن پپتید به tap انسانی مطرح شده و نقش سه آمینواسید واقع در پایانه ی n و یک آمینواسید واقع در پایانه ی c پپتید بر تمایل باندشدن به tap مورد بررسی قرار گرفت.