🧬 Antibody CDR3 Analysis

Анализ CDR3-последовательностей антител, полученных из NGS-скрининга. Цель - выявить признаки последовательностей, который значимо влияют на способность антител связывать антиген.

Анализ проводился в рамках тестового задания.

Задачи:

• исследовать свойства CDR3 последовательностей
• выделить информативные признаки
• сравнить high и low binders
• оценить возможность предсказания связывания с помощью простой модели

Структура данных

Датасет содержит:

• id — идентификатор антитела
• cdr3_sequence — аминокислотная последовательность CDR3
• binding_score — результат скрининга (0–1)

Что сделано

Первичный анализ данных (EDA)

• Проверка на пропуски и дубликаты
• Анализ распределения длины CDR3
• Подсчёт частот аминокислот

Feature engineering

Добавлены признаки:

• cdr3_length — длина последовательности
• hydrophobic_fraction — доля гидрофобных аминокислот
• aromatic_fraction — доля ароматических
• charged_fraction — доля заряженных
• net_charge — общий заряд
• glycine_fraction — доля глицина (гибкость)
• proline_fraction — доля пролина (жесткость)

Статистический анализ

• Выделены группы high binders (> 0.7) и low binders (< 0.3)
• Проведено сравнение с помощью Mann–Whitney U test (выбран из-за малой выборки и отсутствия требования нормальности распределений)

Визуализация

Построены:

• распределение binding_score
• boxplot признаков для high/low binders
• scatter plot признаков vs binding_score

Моделирование

Построены базовые модели:

• Logistic Regression
• Random Forest

Результаты

• Наиболее информативные признаки:

  • доля гидрофобных аминокислот;
  • доля ароматических аминокислот;
  • доля заряженных аминокислот.

• Статистический анализ показал значимые различия между high и low binders для большинства признаков.

• Logistic Regression:

  • выявляет линейные зависимости;
  • чувствительна к мультиколлинеарности.

• Random Forest:

  • учитывает нелинейные взаимодействия;
  • показал лучшие метрики качества.

Ограничения анализа

• малый размер выборки (26 high / 44 low) → риск переобучения;
• бинаризация binding_score → потеря информации;
• упрощённые признаки → возможна недоиспользованная информация последовательности.

Инструменты

Python, Pandas, Numpy, Matplotlib, Seaborn, Scipy, Scikit-learn