Central T cell tolerance from sparse peptide sampling.

چکیده اصلی

Negative selection in the thymus limits autoimmunity by eliminating T cells that react strongly to self. Individual T cells, however, are only exposed to a small fraction of all self-peptides during their "training" in the thymus, and how tolerance is generalized to the remaining "test" self-peptides across peripheral tissues in the body remains an open question. We show that this can be achieved because the immune system satisfies two conditions necessary for generalization in machine learning settings. Consequently, sparse, random sampling of only 10% of self-peptides in the thymus is sufficient to avoid reactivity to 90% of peripheral self. We support this result and validate predictions from our model with diverse experimental data. Overall, we provide a plausible answer to a long-standing question underlying adaptive immunity, and we highlight how generalization, a fundamental challenge faced by nearly every learning algorithm, is tackled by the immune system.

ترجمه فارسی چکیده

انتخاب منفی در تیغه‌ی گرانولوم‌های لنفاویِ تیروئید (تیموس) با حذف سلول‌های T که به پپتیدهای خود واکنش قوی نشان می‌دهند، خودایمنی را محدود می‌کند. با این حال، سلول‌های T تنها در معرض یک کسر کوچک از همه‌ی پپتیدهای خود در طول «آموزش» خود در تیموس قرار می‌گیرند و این‌که چگونه تسلیم به پپتیدهای «آزمایشی» باقی‌مانده‌ی خود در بافت‌های محیطی بدن عمومی می‌شود، همچنان یک سوال باز است. ما نشان می‌دهیم که این می‌تواند محقق شود زیرا سیستم ایمنی دو شرط لازم برای تعمیم در تنظیمات یادگیری ماشین را برآورده می‌کند. در نتیجه، نمونه‌برداری پراکنده و تصادفی تنها از ۱۰٪ پپتیدهای خود در تیموس کافی است تا واکنش‌پذیری به ۹۰٪ خودِ محیطی جلوگیری شود. ما این نتیجه را با داده‌های تجربی متنوع پشتیبانی و پیش‌بینی‌های مدل خود را تأیید می‌کنیم. در مجموع، ما پاسخ معقولی به یک سوال قدیمیِ بنیادینِ ایمنی تطبیقی ارائه می‌دهیم و بر نحوه‌ی مقابله سیستم ایمنی با تعمیم، که چالش بنیادین تقریباً هر الگوریتم یادگیری است، تأکید می‌کنیم.

متن کامل اصلی