18、新冠病毒B细胞表位预测：方法与成果

新冠病毒B细胞表位预测：方法与成果

1. 免疫显性表位与MHC分子

利用IEDB工具（http://tools.iedb.org/processing/），确定了HLA - A、HLA - B和HLA - C所有可用MHC等位基因的免疫显性表位。研究发现，所有免疫显性表位都能进一步被蛋白酶水解，并被MHC I类分子识别（处理得分>1）。这意味着，序列较长的免疫显性表位的核心部分，在经过蛋白酶体处理后，可由MHC I类分子呈递。

2. 支持向量机预测B细胞表位

为预测线性B细胞表位，采用了支持向量机（SVM）这一机器学习方法。SVM分类器的性能很大程度上取决于核函数的选择，但目前尚无基于数据选择优质核函数的理论基础。因此，除了广泛使用的径向基函数（RBF）核，还探索了一类核方法——字符串核。同时，引入了子序列核（SSK），它在文本分类中已取得成功，但在大分子序列分类应用中研究较少。实证结果表明，SSK的性能优于其他字符串核和RBF核。所以，在提出的线性B细胞表位预测方法BCPred中，使用SSK构建SVM分类器。

3. 数据与材料

从NCBI基因库（NC_045512和NC_004718）获取了2019 - nCoV（SARS - CoV - 2019）和SARS - CoV的参考序列数据。然后，基于参考基因组提取了2019 - nCoV的ORF1AB、S、ORF3A、E、M、ORF6、ORF7A、ORF7B、ORF8、N和ORF10的蛋白质序列，单蛋白质基因组不纳入分析。

4. 方法学

支持向量机（SVM）是用于分类和回归的有监督机器学习方法。给定一组标记的训练数据$(x_i,y_i