Accurate prediction of immunogenic peptide recognized by T cell receptor (TCR) can greatly benefit vaccine development and cancer immunotherapy. However, identifying immunogenic peptides accurately is still a huge challenge. Most of the antigen peptides predicted in silico fail to elicit immune responses in vivo without considering TCR as a key factor. This inevitably causes costly and time-consuming experimental validation test for predicted antigens. Therefore, it is necessary to develop novel computational methods for precisely and effectively predicting immunogenic peptide recognized by TCR. Here, we described DLpTCR, a multimodal ensemble deep learning framework for predicting the likelihood of interaction between single/paired chain(s) of TCR and peptide presented by major histocompatibility complex molecules. To investigate the generality and robustness of the proposed model, COVID-19 data and IEDB data were constructed for independent evaluation. The DLpTCR model exhibited high predictive power with area under the curve up to 0.91 on COVID-19 data while predicting the interaction between peptide and single TCR chain. Additionally, the DLpTCR model achieved the overall accuracy of 81.03% on IEDB data while predicting the interaction between peptide and paired TCR chains. The results demonstrate that DLpTCR has the ability to learn general interaction rules and generalize to antigen peptide recognition by TCR. A user-friendly webserver is available at http://jianglab.org.cn/DLpTCR/. Additionally, a stand-alone software package that can be downloaded from https://github.com/jiangBiolab/DLpTCR.

中文翻译：

---

DLpTCR：用于预测 T 细胞受体识别的免疫原性肽的集成深度学习框架

准确预测 T 细胞受体 (TCR) 识别的免疫原性肽可以极大地促进疫苗开发和癌症免疫治疗。然而，准确识别免疫原性肽仍然是一个巨大的挑战。在不考虑 TCR 作为关键因素的情况下，大多数计算机预测的抗原肽无法在体内引发免疫反应。这不可避免地会导致对预测抗原进行昂贵且耗时的实验验证测试。因此，有必要开发新的计算方法来精确有效地预测 TCR 识别的免疫原性肽。在这里，我们描述了 DLpTCR，这是一种多模式集成深度学习框架，用于预测 TCR 的单/成对链与主要组织相容性复合分子呈现的肽之间相互作用的可能性。为了研究所提出模型的普遍性和稳健性，构建了 COVID-19 数据和 IEDB 数据以进行独立评估。DLpTCR 模型表现出很高的预测能力，在 COVID-19 数据上的曲线下面积高达 0.91，同时预测肽和单个 TCR 链之间的相互作用。此外，DLpTCR 模型在预测肽和配对 TCR 链之间的相互作用时，在 IEDB 数据上实现了 81.03% 的总体准确度。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。构建了 COVID-19 数据和 IEDB 数据以进行独立评估。DLpTCR 模型表现出很高的预测能力，在 COVID-19 数据上的曲线下面积高达 0.91，同时预测肽和单个 TCR 链之间的相互作用。此外，DLpTCR 模型在预测肽和配对 TCR 链之间的相互作用时，在 IEDB 数据上实现了 81.03% 的总体准确度。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。构建了 COVID-19 数据和 IEDB 数据以进行独立评估。DLpTCR 模型表现出很高的预测能力，在 COVID-19 数据上的曲线下面积高达 0.91，同时预测肽和单个 TCR 链之间的相互作用。此外，DLpTCR 模型在预测肽和配对 TCR 链之间的相互作用时，在 IEDB 数据上实现了 81.03% 的总体准确度。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。91 对 COVID-19 数据的预测，同时预测肽和单个 TCR 链之间的相互作用。此外，DLpTCR 模型在预测肽和配对 TCR 链之间的相互作用时，在 IEDB 数据上实现了 81.03% 的总体准确度。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。91 对 COVID-19 数据的预测，同时预测肽和单个 TCR 链之间的相互作用。此外，DLpTCR 模型在预测肽和配对 TCR 链之间的相互作用时，在 IEDB 数据上实现了 81.03% 的总体准确度。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。结果表明DLpTCR具有学习一般相互作用规则和泛化到TCR识别抗原肽的能力。http://jianglab.org.cn/DLpTCR/ 提供了一个用户友好的网络服务器。另外，一个独立的软件包，可以从 https://github.com/jiangBiolab/DLpTCR 下载。