基于多头交叉注意力机制的线性B细胞表位预测OA

线性B细胞表位(BCE)是疫苗设计和免疫治疗的关键靶点,但现有实验方法鉴定线性表位效率低且成本高。本研究旨在开发高效的计算预测模型,为新型疫苗研发和疾病诊断提供理论支持;基于深度学习构建MCALBCE模型,整合词嵌入、双向长短期记忆(BiLSTM)、双向门控循环单元(BiGRU)和Transformer编码模块,通过多头交叉注意力机制实现多源特征融合。使用IEDB数据库的4 440个线性BCE和5 485个非线性BCE作为训练集,1 110个线性BCE和1 408个非线性BCE作为独立测试集;模型在独立测试集上准确率达0.767,敏感性0.814,AUC值0.820,较现有最优模型提升显著。特征分析表明,模型能准确识别天冬氨酸(D)等表位特征氨基酸,与已知免疫学证据一致;MCALBCE通过多模态特征融合与注意力机制优化,显著提升了线性BCE的识别性能,为疫苗设计和免疫诊断提供了高效的计算工具。