All issues

Белки главного комплекса гистосовместимости (ГКГС) играют ключевую роль в работе адаптивной иммунной системы, и определение связывающихся с ними пептидов — важный шаг в разработке вакцин и понимании механизмов аутоиммунных заболеваний. На сегодняшний день существует ряд методов для предсказания связывания определенной аллели ГКГС с пептидом. Одним из лучших таких методов является NetMHCpan-4.0, основанный на ансамбле искусственных нейронных сетей. В данной работе представлена методология качественного улучшения архитектуры нейронной сети, лежащей в основе NetMHCpan-4.0. Предлагаемый метод использует технику построения ансамбля и добавляет в качестве входных данных оценку модели Поттса, взятой из статистической механики и являющейся обобщением модели Изинга. В общем случае модельо тражает взаимодействие спинов в кристаллической решетке. Применительно к задаче белок-пептидного взаимодействия вместо спинов используются типы аминокислот, находящихся в кармане связывания. В предлагаемом методе модель Поттса используется для более всестороннего представления физической природы взаимодействия полипептидных цепей, входящих в состав комплекса. Для оценки взаимодействия комплекса «ГКГС + пептид» нами используется двумерная модель Поттса с 20 состояниями (соответствующими основным аминокислотам). Решая обратную задачу с использованием данных об экспериментально подтвержденных взаимодействующих парах, мы получаем значения параметров модели Поттса, которые затем применяем для оценки новой пары «ГКГС + пептид», и дополняем этим значением входные данные нейронной сети. Такой подход, в сочетании с техникой построения ансамбля, позволяет улучшитьт очность предсказания, по метрике положительной прогностической значимости (PPV), по сравнению с базовой моделью.

The proteins of the Major Histocompatibility Complex (MHC) play a key role in the functioning of the adaptive immune system, and the identification of peptides that bind to them is an important step in the development of vaccines and understanding the mechanisms of autoimmune diseases. Today, there are a number of methods for predicting the binding of a particular MHC allele to a peptide. One of the best such methods is NetMHCpan-4.0, which is based on an ensemble of artificial neural networks. This paper presents a methodology for qualitatively improving the underlying neural network underlying NetMHCpan-4.0. The proposed method uses the ensemble construction technique and adds as input an estimate of the Potts model taken from static mechanics, which is a generalization of the Ising model. In the general case, the model reflects the interaction of spins in the crystal lattice. Within the framework of the proposed method, the model is used to better represent the physical nature of the interaction of proteins included in the complex. To assess the interaction of the MHC + peptide complex, we use a two-dimensional Potts model with 20 states (corresponding to basic amino acids). Solving the inverse problem using data on experimentally confirmed interacting pairs, we obtain the values of the parameters of the Potts model, which we then use to evaluate a new pair of MHC + peptide, and supplement this value with the input data of the neural network. This approach, combined with the ensemble construction technique, allows for improved prediction accuracy, in terms of the positive predictive value (PPV) metric, compared to the baseline model.

Данная работа посвящена созданию статической атомной модели двух поверхностей, контактирующих при электроалмазной обработке: алмазных зерен и шлифуемого ими материала. В центре работы стоят вопросы компьютерной визуализации этих поверхностей на молекулярном уровне, поскольку традиционное математическое описание не обладает достаточной наглядностью для демонстрации некоторых аспектов атомистической трибологии резания металлов с одновременно протекающими разными по своей физической природе процессами. А в электроалмазной обработке сочетается воздействие одновременно нескольких процессов: механический, электрический и электрохимический. Поэтому предлагаемая авторами методика моделирования остается единственным способом увидеть, что именно происходит на атомном уровне при резании материала алмазным зерном. В то же время статья может быть полезна как научно-познавательная, так как позволяет читателю понять, как на атомном уровне выглядят поверхности некоторых материалов.

This work is devoted to creation of static atomic model of two surfaces in contact at electric diamond grinding: single-points diamond and material grinded of them. At the heart of the work there are issues of computer visualization of these surfaces at the molecular level, since traditional mathematical description does not possess sufficient visualization to demonstrate some aspects of the atomic tribology of metal cutting to simultaneously occurring the different, by their physical nature, processes. And in the electric diamond grinding blends effect of several processes simultaneously: mechanical, electrical and electrochemical. So the modeling technique proposed by authors is still the only way to see what is happening at the atomic level, cutting material of single-point diamond.