آموزش NetCTL؛ از اجرای آنالیز تا تفسیر نتایج

ابزار NetCTL چیست و چه نقشی در طراحی واکسن دارد؟

NetCTL یک ابزار تحت وب کاربردی است که محققان آن را برای پیش‌بینی اپی‌توپ‌های سلول T سایتوتوکسیک (CTL) انسانی در هر توالی پروتئینی توسعه داده‌اند. این سیستم محاسباتی، پیش‌بینی‌های مربوط به سه فرآیند کلیدی در سیستم ایمنی شامل برش پروتئوزومی در C-terminal پروتئین، کارایی انتقال با مولکول‌های TAP و تمایل اتصال به MHC کلاس یک را با یکدیگر ادغام می‌کند. از آنجا که پیش‌بینی دقیق و قابل اعتماد اپی‌توپ‌های CTL نقش محوری در طراحی منطقی واکسن‌ها و کاربردهای تشخیصی ایفا می‌کند، استفاده از ابزارهای محاسباتی اهمیت بسیار زیادی پیدا کرده است. در واقع، ابزار NetCTL تلاش‌های تجربی و هزینه‌های آزمایشگاهی لازم برای شناسایی اپی‌توپ‌های جدید را به شکل چشمگیری کاهش می‌دهد.

چرا پیش‌بینی اپی‌توپ‌های CTL اهمیت زیستی دارد؟

سلول‌های CTL در سیستم ایمنی بدن باید سلول‌های آلوده یا بیمار را از سلول‌های سالم تفکیک کنند تا فقط سلول‌های هدف (آلوده) را از بین ببرند. برای فراهم کردن شرایط این شناسایی، تمام سلول‌های هسته‌دار بدن گلچینی از پپتیدهای درون پروتئین‌های خود را همراه با مولکول‌های MHC کلاس یک روی سطح سلول ارائه می‌دهند.

پروتئوزوم‌های درون سلول با تخریب مداوم پروتئین‌ها، پپتیدهای اولیه را تولید و این مسیر زیستی را آغاز می‌کنند. در گام بعدی، مولکول‌های TAP یا Transporter associated with Antigen Presentation، زیرمجموعه‌ای از این پپتیدهای تولیدشده را به درون شبکه اندوپلاسمی (ER) منتقل می‌کنند. پپتیدها پس از ورود به شبکه اندوپلاسمی به مولکول‌های MHC کلاس یک متصل می‌شوند و این مجتمع‌ها در نهایت به سمت سطح سلول حرکت می‌کنند تا سلول‌های CTL عبوری آن‌ها را شناسایی کنند.

در بین تمام این مراحل، اتصال پپتید به مولکول MHC کلاس یک محدودکننده‌ترین مرحله در فرآیند ارائه آنتی‌ژن است. دانشمندان تخمین می‌زنند که از هر ۲۰۰ پپتید، تنها یک پپتید با قدرت کافی به آلل MHC کلاس یک متصل می‌شود تا بتواند پاسخ سلول‌های CTL را تحریک کند. با این حال، فرآیند برش پروتئوزوم و کارایی انتقال TAP نیز اختصاصیت‌های زیستی مهمی از خود نشان می‌دهند. ابزار NetCTL با ترکیب هوشمندانه پیش‌بینی‌های مربوط به این سه فرآیند، شبیه‌سازی بسیار دقیقی از این پدیده پیچیده زیستی ارائه می‌دهد و به یکی از ستون‌های اصلی طراحی محاسباتی واکسن تبدیل شده است.

NetCTL چگونه اپی‌توپ‌ها را پیش‌بینی می‌کند؟

برای پیش‌بینی دقیق اپی‌توپ‌های CTL، سیستم NetCTL سه ستون اصلی را با هم ترکیب می‌کند. در ادامه، ساختار فنی و الگوریتم‌های پس‌زمینه هر کدام را بررسی می‌کنیم.

پیش‌بینی برش پروتئوزومی با شبکه عصبی مصنوعی

برای پیش‌بینی الگوهای برش پروتئین در C-terminal، توسعه‌دهندگان NetCTL از الگوریتم شبکه عصبی مصنوعی ابزار NetChop-3.0 استفاده کرده‌اند. آن‌ها این شبکه عصبی مصنوعی را روی مجموعه‌ای از لیگاند‌های طبیعی MHC کلاس یک آموزش داده‌اند. سیستم در الگوریتم نهایی خود، وزن بهینه ۰.۱۵ (یا به صورت پیش‌فرض ۰.۱ در تنظیمات وب‌سرور) را برای بخش برش پروتئوزومی اعمال می‌کند تا عملکرد پیش‌بینی را به حداکثر برساند.

ارزیابی کارایی انتقال TAP

انتقال پپتیدها توسط مولکول‌های TAP به درون شبکه اندوپلاسمی گام حیاتی دیگری در مسیر ارائه آنتی‌ژن است. NetCTL برای سنجش این کارایی، از روش ماتریس وزنی توسعه‌یافته توسط Peters و همکاران بهره می‌برد. این روش بر اساس توالی آمینواسیدهای پپتید، میزان تمایل آن برای عبور از ناقل‌های TAP را محاسبه می‌کند. سیستم در فرآیند ادغام نهایی، وزن بهینه ۰.۰۵ را به این متغیر اختصاص می‌دهد.

سنجش تمایل اتصال به مولکول MHC Class I

بخش اصلی و البته محدودکننده‌ترین فیلتر در ارائه آنتی‌ژن، تمایل اتصال پپتید به مولکول MHC کلاس یک است. نسخه جدید NetCTL برای پیش‌بینی این شاخص، از نسخه به‌روزشده شبکه‌های عصبی مصنوعی ابزار NetMHC (تحت عنوان NetMHC-3.0NO_HIV) استفاده می‌کند. این سیستم پیش‌بینی خود را برای ۱۲ سوپرتایپ مختلف HLA شامل A1 ، A2، A3، A24 ، A26 ، B7 ، B8 ، B27 ، B39 ، B44 ، B58 و B62 انجام می‌دهد. خروجی این شبکه عصبی برای سنجش تمایل اتصال، یک مقدار تبدیل‌شده لگاریتمی بر پایه IC50 بر حسب واحد نانومولار است. این سیستم فرآیند مقیاس‌گذاری را به‌گونه‌ای انجام می‌دهد که امتیاز نهایی پیش‌بینی اتصال همواره در بازه‌ای بین صفر و یک قرار گیرد.

ادغام نتایج و محاسبه امتیاز نهایی (Combined Score)

NetCTL پس از اجرای هر سه ابزار، امتیازهای به‌دست‌آمده را در قالب یک مجموع وزنی (Weighted Sum) با یکدیگر ادغام می‌کند که در آن وزن نسبی تمایل اتصال پپتید به MHC برابر با ۱ است.

این روشِ ادغام، تفاوت بزرگی با فیلترهای پیاپی و سخت‌گیرانه در ابزارهای مشابه دارد و از نظر زیستی بسیار معنادار است. از آنجا که کپی‌های متعددی از یک پروتئین در سلول پردازش می‌شوند، فرآیند ارائه آنتی‌ژن یک فرآیند تک‌نسخه‌ای نیست. بنابراین، حتی اگر یک پپتید امتیاز برش پروتئوزومی پایینی داشته باشد و مثلاً تنها در ۱ درصد مواقع تولید شود، در صورت داشتن تمایل اتصال بسیار قوی به MHC و کارایی مناسب در انتقال TAP، همچنان می‌تواند خود را به سطح سلول برساند و سلول‌های CTL را فعال کند.

الگوریتم NetCTL با استفاده از فرمول امتیاز ترکیبی، این پدیده واقعی زیستی را به خوبی شبیه‌سازی می‌کند.

سیر تکاملی ابزار: مقایسه نسخه‌های NetCTL-1.0 و NetCTL-1.2

توسعه‌دهندگان با هدف افزایش دقت و کارایی پیش‌بینی اپی‌توپ‌های CTL، نسخه ۱.۲ ابزار NetCTL را به عنوان یک نسخه ارتقایافته و کارآمدتر نسبت به نسخه قدیمی ۱.۰ معرفی کرده‌اند. نسخه جدید در چندین زمینه کلیدی بهبودهای ساختاری چشمگیری را نشان می‌دهد.

تکمیل پوشش ۱۲ سوپرتایپ HLA با افزودن آلل‌های جدید

در نسخه اولیه این ابزار، کاربران تنها به تعداد محدودی از سوپرتایپ‌ها دسترسی داشتند. اما توسعه‌دهندگان در نسخه ۱.۲، پیش‌بینی اتصال به MHC کلاس یک را به ۱۲ سوپرتایپ شناخته‌شده گسترش داده‌اند. آن‌ها با افزودن دو سوپرتایپ بسیار مهم A26 و B39، لیست سوپرتایپ‌های HLA تحت پوشش این ابزار را کاملاً تکمیل کرده‌اند.

استفاده از سیستم‌های پیش‌بینی نوین و به‌روزشده

بخش عمده‌ای از بهبود دقت نسخه ۱.۲ به استفاده از الگوریتم‌های پس‌زمینه جدیدتر مربوط می‌شود. طراحان در این نسخه، مدل پیش‌بینی تمایل اتصال به MHC کلاس یک را به سیستم به‌روزشده NetMHC-3.0NO_HIV ارتقا داده‌اند. علاوه بر این، فرآیند پیش‌بینی برش پروتئوزومی را نیز ارتقا بخشیده‌اند؛ به طوری که این فرآیند اکنون با پیش‌بینی‌های دقیق وب‌سرور قدرتمند NetChop-3.0 یکسان است.

بهینه‌سازی وزن‌ها با استفاده از مجموعه داده بزرگ‌تر

توسعه‌دهندگان نسخه ۱.۲ را بر روی دیتاست مستقل و بزرگی شامل ۸۸۶ لیگاند شناخته‌شده MHC کلاس یک آموزش داده‌اند تا دقت سیستم به حداکثر برسد. آن‌ها با تحلیل آماری این بانک اطلاعاتی وسیع، توانسته‌اند وزن‌های بهینه ریاضی را برای هر سه متغیر کلیدی (اتصال MHC، برش پروتئوزومی و انتقال TAP) به دقیق‌ترین شکل ممکن استخراج و تنظیم کنند.

بررسی آماری بهبود دقت پیش‌بینی (AUC)

محققان برای ارزیابی عملکرد واقعی این دو نسخه، آن‌ها را بر روی یک مجموعه داده ارزیابی مستقل شامل ۲۱۶ اپی‌توپ شناخته‌شده ویروس HIV آزمایش کرده‌اند. نتایج این بنچمارک، برتری واضح نسخه جدید را تایید می‌کند:

• نسخه قدیمی NetCTL-1.0 توانست به میانگین شاخص AUC (سطح زیر منحنی راک) معادل ۰.۹۳۱ به ازای هر جفت پروتئین-اپی‌توپ دست یابد.
• نسخه ارتقایافته NetCTL-1.2 این رکورد را بهبود بخشید و به میانگین شاخص AUC فوق‌العاده ۰.۹۴۱ رسید.

براساس آزمون‌های آماری، این اختلاف کارایی از نظر علمی کاملاً معنی‌دار است (P = 0.02).

نکته جالب‌تر اینجاست که اگر از ابزار پیش‌بینی اتصال MHC (یعنی NetMHC-3.0NO_HIV) به تنهایی استفاده کنیم، میانگین شاخص AUC آن برابر ۰.۹۲۲ خواهد بود. اما وقتی NetCTL-1.2 فرآیند برش پروتئوزوم و انتقال TAP را به این معادله اضافه می‌کند، دقت پیش‌بینی به شکل معنی‌داری افزایش می‌یابد (P = 0.004). این آمارها ثابت می‌کنند که ادغام فرآیندهای سه‌گانه زیستی، پیش‌بینی‌های بسیار واقعی‌تر و دقیق‌تری را نسبت به تکیه صرف بر تمایل اتصال MHC به ارمغان می‌آورد.

آموزش گام‌به‌گام کار با وب‌سرور NetCTL

برای درک بهتر نحوه استفاده از ابزار NetCTL، فرآیند پیش‌بینی را با یک سناریوی واقعی جلو می‌بریم. در این سناریو، ما می‌خواهیم اپی‌توپ‌های فعال سیستم ایمنی را در گلیکوپروتئین سطحی (Spike Protein) ویروس کرونای سارس ۲ (Severe acute respiratory syndrome coronavirus 2) با GenBank: QHD43416.1 پیش‌بینی کنیم.

مراحل زیر به شما آموزش می‌دهند که چگونه توالی این پروتئین را به وب‌سرور بدهید، تنظیمات را بهینه‌سازی کنید و در نهایت نتایج را تفسیر کنید:

گام اول: وارد کردن توالی پروتئینی به سرور NetCTL

ابتدا از‌طریق لینک زیر به آدرس رسمی وب‌سرور NetCTL مراجعه کنید:

رابط کاربری وب‌سرور دو راه ساده را برای وارد کردن توالی در اختیار ما قرار می‌دهد:

1. جایگذاری مستقیم توالی: همان‌طور که در تصویر مشخص است، ما توالی آمینواسیدی پروتئین اسپایک ویروس را با فرمت FASTA در کادر متنی اصلی جایگذاری می‌کنیم.
2. بارگذاری فایل: اگر فایل توالی را روی سیستم خود دارید، می‌توانید با کلیک بر روی دکمه “Browse”، فایل خود را به‌طور مستقیم بارگذاری کنید.

نکته بسیار مهم: وب‌سرور فقط کدهای تک‌حرفی استاندارد آمینواسیدها را به‌صورت حروف کوچک یا بزرگ انگلیسی می‌پذیرد. سیستم کاراکترهای متفرقه مانند اعداد و فاصله‌ها را نادیده می‌گیرد و هر حرف غیرمجاز دیگری را به حرف علمی X (به معنی آمینواسید ناشناخته) تبدیل می‌کند.

گام دوم: انتخاب سوپرتایپ HLA

در بخش بعدی، باید سوپرتایپ مورد نظر خود را برای مولکول‌های MHC کلاس یک بر اساس جمعیت هدف یا آلل مورد مطالعه تعیین کنیم.

گام سوم: بهینه‌سازی وزن‌ها و آستانه اپی‌توپ

سرور به کاربران اجازه می‌دهد تا جزئیات محاسباتی را بر اساس نیاز پروژه خود شخصی‌سازی کنند:

1. Weight on C terminal cleavage یا وزن برش C-terminal: این متغیر به طور پیش‌فرض روی ۰.۱ تنظیم شده است که بهینه ترین حالت پیش‌بینی را در ارزیابی‌های آماری نشان می‌دهد؛ اما شما می‌توانید این ضریب اهمیت را به صورت دستی تغییر دهید.
2. Weight on TAP transport efficiency یا وزن کارایی انتقال TAP: سیستم به طور پیش‌فرض ضریب ۰.۰۵ را به این مرحله اختصاص می‌دهد که بهترین میانگین دقت را ایجاد می‌کند.
3. Threshold for epitope identification یا آستانه شناسایی اپی‌توپ: این فیلتر تعیین می‌کند که کدام پپتیدها به عنوان اپی‌توپ معرفی شوند. به طور پیش‌فرض، آستانه روی ۰.۷۵ قرار دارد. در بنچمارک‌های بزرگ، این آستانه حساسیت معادل ۰.۶۵ و اختصاصیت معادل ۰.۹۷ را برای شناسایی اپی‌توپ‌های واقعی به همراه داشته است. اگر می‌خواهید سخت‌گیری سیستم را افزایش دهید تا پپتیدهای مطمئن‌تری داشته باشید، می‌توانید این عدد را بالا ببرید (مثلاً ۱.۰۰ یا ۱.۲۵).

گام چهارم: تعیین فیلتر مرتب‌سازی و ثبت درخواست

پیش از ارسال داده‌ها به سرور، ابزار NetCTL یک امکان جالب برای مدیریت و اولویت‌بندی نمایش داده‌ها در اختیار شما قرار می‌دهد: Sort by score

این منوس کشویی به طور پیش‌فرض روی گزینه “No sort” قرار دارد. اما شما می‌توانید بر اساس نیاز پژوهش خود، خروجی را بر اساس یکی از ۴ معیار زیر مرتب کنید:

Combined score (امتیاز ترکیبی): پپتیدها را بر اساس بالاترین امتیاز نهایی ادغام‌شده مرتب می‌کند. این گزینه کارآمدترین حالت برای شناسایی سریع قوی‌ترین اپی‌توپ‌ها در صدر جدول خروجی است.

MHC (تمایل اتصال): پپتیدها را صرفاً بر اساس قدرت تمایل اتصالشان به مولکول MHC کلاس یک رتبه‌بندی می‌کند.

Cleavage (برش پروتئوزومی): زنجیره‌های پپتیدی را بر پایه بالاترین احتمال کارایی برش در C-terminal توسط پروتئوزوم سازماندهی می‌کند.

TAP (انتقال TAP): خروجی را بر اساس بیشترین پتانسیل عبور پپتیدها از ناقل‌های TAP مرتب می‌کند.

در نهایت، با فشردن دکمه “Submit” الگوریتم محاسباتی آغاز به کار می‌کند. (در صورت نیاز به شروع مجدد نیز دکمه “Clear fields” تمامی فرم را پاک می‌کند).

گام نهایی: تحلیل و تفسیر نتایج خروجی سرور NetCTL

جدول نتایجی که سرور برای پروتئین اسپایک ویروس به شما ارائه می‌دهد شامل ستون‌های کلیدی زیر است که اطلاعات ارزشمندی را به تصویر می‌کشند:

• Residue Number: شماره جایگاه اولین آمینواسید پپتید ۹تایی را در طول پروتئین نشان می‌دهد.
• ID: شناسه پروتئین ورودی شما را مشخص می‌کند که در این تست همان کد QHD43416.1 است.
• Peptide sequence: توالی پپتید ۹تایی را نشان می‌دهد.
• aff: تمایل اتصال به MHC کلاس یک را به صورت یک امتیاز استاندارد بین صفر و یک نمایش می‌دهد.
• aff_rescale: امتیاز اتصال به MHC است که نسبت به صدک اول نرمال‌سازی شده است.
• cle: امتیاز کارایی برش پروتئوزوم در C-terminal پپتید را مشخص می‌کند.
• tap: امتیاز کارایی انتقال پپتید توسط ناقل‌های TAP را نمایش می‌دهد.
• COMB: امتیاز ادغام‌یافته و نهایی پپتید را نشان می‌دهد.
• علامت حیاتی E: این علامت طلایی‌ترین بخش خروجی است! سرور این فلش را تنها در مقابل پپتیدهایی قرار می‌دهد که امتیاز COMB آن‌ها از آستانه مشخص‌شده (مثلاً ۰.۷۵) فراتر رفته باشد. این پپتیدها کاندیداهای نهایی و قدرتمند شما برای طراحی واکسن یا بررسی‌های آزمایشگاهی به شمار می‌روند.

در انتهای فایل خروجی نیز، با گزارش آماری زیر روبرو می‌شویم:

Number of MHC ligands 42 identified. Number of peptides 1265. Protein name QHD43416.1 

این خلاصه به ما می‌گوید که سرور NetCTL، گلیکوپروتئین سطحی ویروس را به ۱۲۶۵ پپتید ۹تایی کاندید تقسیم کرده است. از بین این حجم عظیم از پپتیدها، الگوریتم با ارزیابی دقیق سه فیلتر سلولی، تنها ۴۲ پپتید را به عنوان اپی‌توپ‌های نهایی و معتبر (MHC ligands) شناسایی کرده است.

این یعنی شما به عنوان پژوهشگر، به جای اینکه زمان و بودجه هنگفتی را برای سنتز و تست آزمایشگاهی هر ۱۲۶۵ پپتید در آزمایشگاه هدر دهید، آزمایش‌های خود را به صورت کاملاً هدفمند تنها بر روی این ۴۲ پپتید متمرکز می‌کنید. این موضوع، قدرت واقعی بیوانفورماتیک را در نجات پروژه‌های ایمونولوژی از فرآیندهای پرهزینه آزمون و خطا به تصویر می‌کشد.

ارزیابی عملکرد و مقایسه NetCTL با ابزارهای مشابه

برای ارزیابی بی‌طرفانه NetCTL-1.2، محققان عملکرد آن را با چهار ابزار مطرح دیگر در پیش‌بینی اپی‌توپ‌های سلول T سایتوتوکسیک (CTL) شامل EpiJen ، MAPPP ، MHC-pathway و WAPP مقایسه کردند. این سنجش بر روی دیتاست‌های استاندارد از اپی‌توپ‌های تاییدشده ویروس HIV انجام شد تا توانایی هر ابزار در پیش‌بینی دقیق مشخص شود.

معیار رتبه‌بندی (RANK)؛ موفقیت در صدرنشینی

از آنجا که فرمت خروجی این ابزارها متفاوت است، مقایسه مستقیم آن‌ها آسان نیست. به همین دلیل، طراحان از معیاری به نام RANK برای مقایسه عادلانه استفاده کردند. این معیار بررسی می‌کند که هر ابزار چقدر موفق بوده است تا اپی‌توپ‌های واقعی را در رتبه‌های بالاتر جدول خروجی خود قرار دهد. نتایج ارزیابی‌ها نشان داد که NetCTL-1.2 بسیار بیشتر از هر چهار ابزار رقیب توانسته است اپی‌توپ‌های واقعی را در صدر رتبه‌بندی قرار دهد و برتری خود را ثابت کند.

حفظ تعادل حساسیت و اختصاصیت

یک ابزار پیش‌بینی ایده‌آل باید بتواند ضمن شناسایی اکثر اپی‌توپ‌های واقعی (حساسیت بالا)، موارد منفی کاذب را هم به خوبی فیلتر کند تا تشخیص‌های اشتباه کاهش یابند (اختصاصیت بالا). در ارزیابی اختصاصیت سیستم‌ها در سطوح مختلف حساسیت مشخص شد:

• NetCTL-1.2 اختصاصیت به‌مراتب بالاتر و قوی‌تری را نسبت به ابزارهای EpiJen ، MAPPP و WAPP نشان می‌دهد.
• این ابزار در مقایسه با MHC-pathway نیز به‌ویژه در سطوح حساسیت بالا، اختصاصیت برتری دارد. یکی از دلایل اصلی این موفقیت به بخش برش پروتئوزومی مربوط می‌شود؛ چرا که الگوریتم NetCTL بر روی لیگاندهای طبیعی و واقعی سیستم ایمنی آموزش دیده است.

بیشترین بازدهی در غربالگری پپتیدها

برای پژوهشگرانی که مایلند تنها بخش کوچکی از پپتیدهای پیشنهادی را در آزمایشگاه سنتز و تست کنند، بسیار مهم است که بدانند چه میزان از اپی‌توپ‌های واقعی در میان پپتیدهای با بالاترین امتیاز قرار می‌گیرند.

در این شاخص کلیدی نیز NetCTL-1.2 با اختلاف در صدر ایستاد و توانست بیشترین میزان اپی‌توپ‌های واقعی را در میان پپتیدهای برتر خود شناسایی کند. در این رتبه‌بندی، ابزارهای MAPPP و MHC-pathway در جایگاه‌های بعدی قرار گرفتند و ابزارهای EpiJen و WAPP کمترین میزان شناسایی را در این محدوده ثبت کردند.

این نتایج بنچمارک به خوبی تایید می‌کنند که الگوریتم ترکیب وزنی سه فاکتور سلولی در NetCTL-1.2، کارآمدترین شبیه‌سازی زیستی را ارائه می‌دهد و مطمئن‌ترین ابزار برای پروژه‌های طراحی واکسن به شمار می‌رود.

نتیجه‌گیری

در مجموع، NetCTL ابزاری کاربردی برای شناسایی و اولویت‌بندی اپی‌توپ‌های CTL در مسیر طراحی محاسباتی واکسن‌ها به شمار می‌رود. این ابزار با ترکیب پیش‌بینی برش پروتئوزومی، انتقال پپتید توسط TAP و اتصال به MHC کلاس I، دید جامع‌تری از مسیر ارائه آنتی‌ژن ارائه می‌دهد. نسخه NetCTL-1.2 نیز با استفاده از مدل‌های به‌روزشده و پوشش ۱۲ سوپرتایپ HLA، دقت پیش‌بینی را نسبت به نسخه قبلی بهبود داده است. نتایج ارزیابی‌ها نشان داده‌اند که این نسخه در مقایسه با چند ابزار مشابه، توانایی بالاتری در قرار دادن اپی‌توپ‌های واقعی در رتبه‌های برتر دارد.

از طرفی، خروجی NetCTL می‌تواند تعداد زیادی پپتید احتمالی را به مجموعه‌ای محدودتر از کاندیداهای مناسب برای بررسی‌های بعدی تبدیل کند. بنابراین، NetCTL می‌تواند به‌عنوان یکی از مراحل ارزشمند غربالگری در طراحی واکسن‌های مبتنی بر اپی‌توپ مورد استفاده قرار گیرد. با این حال، نتایج این ابزار پیش‌بینی محاسباتی هستند و برای تأیید نهایی عملکرد ایمنی اپی‌توپ‌ها، به ارزیابی‌های تکمیلی و آزمایش‌های تجربی نیاز است.

آموزش‌های مرتبط 🙂

سوالات متداول درباره NetCTL