Peptide-MHC-II Binding Core Prediction Using Sequence-based and AlphaFold-based Methods: Distinct Strengths and Consensus Approaches = 펩타이드?MHC II형 결합 핵심 부위 예측을 위한 서열 기반 및 AlphaFold 기반 접근법 비교 및 합의 전략

다국어 초록 (Multilingual Abstract)

Interactions between peptide and MHC class II (pMHC-II) are central to T-cell recognition, yet predicting the binding core remains challenging due to the high polymorphism of MHC-II molecules and their ability to accommodate diverse peptide lengths. Computational approaches have therefore become indispensable. Traditionally, sequence-based models such as NetMHCIIpan and DeepMHCII have been the mainstay, while more recently, AlphaFold-based structural prediction has emerged as a powerful alternative. In this work, we compared four representative methods— NetMHCIIpan, DeepMHCII, AlphaFold2 fine-tuned for peptide binding (AF2- FT), and AlphaFold3 (AF3)—with an emphasis on binding core prediction. AF3 and AF2-FT showed strong performance for positive binders, reaching recall values of 0.86 and 0.81, respectively, though both tended to overpredict binding for unbound peptides. NetMHCIIpan, on the other hand, was far more effective at identifying non-binders, achieving the highest negative recall (0.93), but its ability to capture positive binders was limited (0.44). DeepMHCII showed balanced yet unremarkable performance across the board. Interestingly, combining the strengths of both approaches yielded the best outcome: consensus strategies that integrated AlphaFold-based predictions for binder identification with NetMHCIIpan as a filter improved precision substantially, reaching 0.94 in known cases and 0.87 in previously unseen ones. Overall, our findings emphasize the complementarity of structural and sequence-based approaches. AlphaFold-based methods bring high sensitivity for true binders, whereas NetMHCIIpan provides robustness against false positives. Moving forward, improving the treatment of unbound peptides in structure-based models, and enhancing binding discrimination in sequence- based methods, will be key to more accurate pMHC-II prediction.

국문 초록 (Abstract)

펩타이드–MHC class II(pMHC-II) 상호작용은 T 세포 인식에 핵심적인 역할을 하지만, MHC-II 분자의 높은 다형성과 다양한 길이의 펩타이드를 수용하는 특성으로 인해 결합 코어(binding core)를 정확히 예측하는 데에는 여전히 어려움이 존재한다. 이러한 한계를 보완하기 위해 계산 기반 예측 기법의 중요성이 점차 커지고 있다. 기존에는 NetMHCIIpan과 DeepMHCII와 같은 서열 기반 모델이 주로 사용되어 왔으며, 최근에는 AlphaFold를 기반으로 한 구조 예측 접근법이 새로운 대안으로 주목받고 있다. 본 연구에서는 결합 코어 예측 성능을 중심으로 NetMHCIIpan, DeepMHCII, 펩타이드 결합에 특화된 AlphaFold2 미세조정 모델(AF2-FT), 그리고 AlphaFold3(AF3) 등 네 가지 대표적인 방법을 비교·분석하였다. AF3와 AF2-FT는 양성 결합 펩타이드에 대해 각각 0.86과 0.81의 높은 재현율(recall)을 보이며 우수한 성능을 나타냈으나, 비결합 펩타이드에 대해서는 결합을 과대 예측하는 경향을 보였다. 반면 NetMHCIIpan은 비결합 펩타이드를 식별하는 데 매우 효과적이었으며, 음성 재현율 0.93으로 가장 높은 성능을 보였으나, 양성 결합체를 포착하는 능력은 제한적이었다(재현율 0.44). DeepMHCII는 전반적으로 균형 잡힌 성능을 보였으나, 두드러진 우수성은 관찰되지 않았다. 흥미롭게도, 각 접근법의 장점을 결합한 컨센서스 전략이 가장 우수한 결과를 보였다. AlphaFold 기반 모델을 이용해 결합 후보를 식별하고,
NetMHCIIpan을 필터로 적용한 통합 전략은 정밀도를 크게 향상시켜, 기존 데이터에서는 0.94, 미관측 데이터에서는 0.87의 정밀도를 달성하였다. 종합하면, 본 연구 결과는 구조 기반 접근법과 서열 기반 접근법의 상보성을 명확히 보여준다. AlphaFold 기반 방법은 실제 결합체에 대한 높은 민감도를 제공하는 반면, NetMHCIIpan은 위양성(false positive)을 억제하는 데 강점을 가진다. 향후에는 구조 기반 모델에서 비결합 펩타이드에 대한 처리 방식을 개선하고, 서열 기반 모델의 결합 판별 능력을 향상시키는 것이 보다 정확한 pMHCII 예측을 위해 중요할 것으로 판단된다.

목차 (Table of Contents)

• Contents 1
• Abstract 2
• Introduction 4
• Methods 13
• Results 22
• Discussion 35
• References 38
• Abstract in Korean 45
• Appendix 47
• Acknowledgment 53