本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #905
- 日期：2026-03-18
摘要
形狀空間是 Perelson 和 Oster 在 20 年前提出的，作為一種概念形式主義，用於表示抗體/抗原結合。此後，它在計算免疫學中發揮了關鍵作用。抗原和抗體被認為是抽象「形狀空間」中的點，其中該空間中點的座標代表與結合相關的各種（未指定）物理特性相關的廣義物理化學特性，例如幾何形狀、疏水性、電荷等。代表抗體和抗原（的形狀補體）的點之間的形狀空間中的距離被假定與它們的親和力相關，小距離對應於高親和力。到目前為止，形狀空間中點的座標完全是隱式的。在本文中，我們提供了與數學心理學文獻中首次開發的度量和序數多維標度演算法相關的演算法，這些演算法在給定實驗數據（例如血凝測定或其他一般親和力測定）的情況下為形狀空間中的點構建明確的定量座標。將這些演算法應用於流感的血凝抑制測定組表明，免疫形狀空間的維度很低，大約是五維，這與奧斯特和佩雷爾森早期的定性估計一致。形狀空間中分子座標的演算法提供了明確的數值，而以前此類座標是概念性的構造並且完全是隱式的。給定實驗親和力數據的形狀空間的顯式幾何形狀的推導提供了量化抗體與抗體、抗原與抗原的相似性以及抗原與抗體的親和力的新方法。這在例如年度流感疫苗的菌株選擇決策等應用中具有潛在的用途。這裡介紹的分析技術並不限於抗體-抗原交互作用的分析，並且通常適用於結合測定產生的親和力數據。