结合肽基序预测成功率低，其预测方法主要是联用序列和结构特征

wumingshi

常用方法如下。

1. 基于结合肽序列特征预测此类抗原表位与预测MHCⅠ可结合肽段类似，通过提取其可结合肽段的序列特征作为基序用于预测候选肽段作为表位的可能性。这种算法的准确性比预测MHCⅠ可结合肽段低得多，应用有限。采用更复杂的序列特征算法，如定量矩阵法给可结合肽段中每个位置和每个氨基酸以优化的系数，用于预测候选肽段成为表位的打分，并结合MHCⅡ分子的结构特征辅助判断，可显著提高预测的准确性。这类计算方法中假定每个氨基酸残基的贡献独立且线性加和，显然考虑这些残基之间的相互作用有可能进一步提高预测效果，代表软件有TEPITOPE、ProPred等。

2. 基于机器学习方法的预测技术主要有人工神经网络、支持向量机等，通过用已知结合肽进行学习，提取这类抗原表位中的核心序列和结合肽中残基间的相互作用等信息以改进预测效果。其中，支持向量机的预测方法比人工神经网络预测效果更好些。

3. 基于高级结构特征预测表位主要用分子建模的策略进行预测，此类方法比基于序列特征的预测方法所需实验测定的抗原表位肽的数据量低，类似于预测MHC I可结合表位肽，也可用3D-QSAR等策略。但是，这些方法取得的效果都不够理想。