Исследователи представили PepCL (Peptide-MHC Continual Learning) — инновационный фреймворк непрерывного обучения, предназначенный для динамического обновления прогностических моделей взаимодействия пептидов с главным комплексом гистосовместимости (MHC) I класса. Проблема заключается в том, что традиционные модели, обученные на данных масс-спектрометрии (MS), не учитывают новые данные из других экспериментальных методов из-за технических и биологических смещений. В рамках работы также разработана модель MHCPrime — новое современное решение для пан-аллельного предсказания пептид-MHC связывания. Использование PepCL позволяет модели MHCPrime эффективно усваивать специфическую информацию из новых тестов, предотвращая «катастрофическое забывание» знаний, полученных из предыдущих наборов данных MS. Тестирование в контекстах инфекционных заболеваний и онкологии показало значительное улучшение точности предсказаний и их переносимость между различными аллелями. Это делает фреймворк критически важным инструментом для разработки персонализированных вакцин и иммунотерапии в клинических условиях по мере накопления новых иммунопептидомных данных.