MHCflurry命令行教程

欢迎关注我的微信公众号【万能的小江江】

MHCflurry命令行教程

指定模型

结果

结合亲和力预测以nM中的亲和力（KD）表示在该 mhcflurry_affinity列中。较低的值表示较强的粘合剂。具有合理免疫原性的肽的常用阈值为500 nM

在mhcflurry_affinity_percentile给出在大量对等位基因测试随机肽的亲和力预测的百分位数（范围0 - 100）。越低越强。2％是常用阈值。

mhcflurry_presentation_score,mhcflurry_presentation_percentile给出了抗原加工和呈递分数。这些范围从0到1，值越高表明处理或呈现效果越好

泛等位基因模型The pan-allele models

MHCFLURRY_OPTIMIZATION_LEVEL

The pan-allele models can be somewhat slow. As an optimization, when this variable is greater than 0 (default is 1), we “stitch” the pan-allele models in the ensemble into one large tensorflow graph. In our experiments it gives about a 30% speed improvement. It has no effect on allele-specific models. Set this variable to 0 to disable this behavior. This may be helpful if you are running out of memory using the pan-allele models.

泛等位基因模型可能会变慢。作为优化，当此变量大于0（默认值为1）时，我们将集合中的泛等位基因模型“缝合”到一个大的张量流图中。在我们的实验中，速度提高了约30％。它对等位基因特异性模型没有影响。将此变量设置为0可禁用此行为。如果使用泛等位基因模型的内存不足，这可能会有所帮助。

Python库教程

Class1PresentationPredictor包装实例

Class1AffinityPredictor产生结合亲和力预测

Class1ProcessingPredictor产生抗原加工预测

使用结合亲和力和处理预测的逻辑回归模型计算表达得分

MHCFLURRY_OPTIMIZATION_LEVEL？

则应该提供肽源蛋白的上游（N侧）和下游（C侧）序列，以提高准确性。为此，请指定n_flank和c_flank 参数

主要S3的table download下来（将近75万行）hits（）和decoys（自动生成的）（可以帮助理解）

一部分holdout 一部分training