Abstract Human major histocompatibility complex (MHC) proteins are encoded by the human leukocyte antigen (HLA) gene complex. When exogenous peptide fragments form peptide-HLA (pHLA) complexes with HLA molecules on the outer surface of cells, they can be recognized by T cells and trigger an immune response. Therefore, determining whether an HLA molecule can bind to a given peptide can improve the efficiency of vaccine design and facilitate the development of immunotherapy. This paper regards peptide fragments as natural language, we combine textCNN and BiLSTM to build a deep neural network model to encode the sequence features of HLA and peptides. Results on independent and external test datasets demonstrate that our CcBHLA model outperforms the state-of-the-art known methods in detecting HLA class I binding peptides. And the method is not limited by the HLA class I allele and the length of the peptide fragment. Users can download the model for binding peptide screening or retrain the model with private data on github ( https://github.com/hongliangduan/CcBHLA-pan-specific-peptide-HLA-class-I-binding-prediction-via-Convolutional-and-BiLSTM-features.git ).

Abstract As a highly versatile therapeutic modality, cyclic peptides have gained significant attention due to their exceptional binding affinity, minimal toxicity and capacity to target the surface of conventionally “undruggable” proteins. However, the development of cyclic peptides with therapeutic effects by targeting intracellular biological targets has been hindered by the issue of limited membrane permeability. In this paper, we have conducted an extensive benchmarking analysis of a proprietary dataset consisting of 6941 cyclic peptides, employing machine learning and deep learning models. In addition, we propose an innovative multimodal model called Multi_CycGT which combines a Graph Convolutional Network (GCN) and a Transformer to extract 1D and 2D features. These encoded features are then fused for the prediction of cyclic peptide permeability. The cross-validation experiments demonstrate that the proposed Multi_CycGT model achieved the highest level of accuracy on the test set, with an accuracy value of 0.8206 and an AUC value of 0.8650. This paper introduces a pioneering deep learning-based approach that demonstrates enhanced effectiveness in predicting the membrane permeability of cyclic peptides. It also represents the first attempt in this field. We hope that this work will help to accelerate the design of cyclic peptide active drugs in medicinal chemistry and chemical biology applications.

Abstract Protein–peptide interactions (PPepIs) are vital to understanding cellular functions, which can facilitate the design of novel drugs. As an essential component in forming a PPepI, protein–peptide binding sites are the basis for understanding the mechanisms involved in PPepIs. Therefore, accurately identifying protein–peptide binding sites becomes a critical task. The traditional experimental methods for researching these binding sites are labor-intensive and time-consuming, and some computational tools have been invented to supplement it. However, these computational tools have limitations in generality or accuracy due to the need for ligand information, complex feature construction, or their reliance on modeling based on amino acid residues. To deal with the drawbacks of these computational algorithms, we describe a geometric attention-based network for peptide binding site identification (GAPS) in this work. The proposed model utilizes geometric feature engineering to construct atom representations and incorporates multiple attention mechanisms to update relevant biological features. In addition, the transfer learning strategy is implemented for leveraging the protein–protein binding sites information to enhance the protein–peptide binding sites recognition capability, taking into account the common structure and biological bias between proteins and peptides. Consequently, GAPS demonstrates the state-of-the-art performance and excellent robustness in this task. Moreover, our model exhibits exceptional performance across several extended experiments including predicting the apo protein–peptide, protein–cyclic peptide and the AlphaFold-predicted protein–peptide binding sites. These results confirm that the GAPS model is a powerful, versatile, stable method suitable for diverse binding site predictions.