پیش‌بینی اتصال پپتیدها به مولکول‌های HLA نقش حیاتی در پیشرفت ایمنی‌درمانی دارد، اما روش‌های موجود با چالش‌هایی مثل تنوع طول پپتیدها، شباهت بین توالی‌های HLA، و کمبود داده‌های منفی معتبر روبه‌رو هستند. برای رفع این مشکلات، ما PHLA-SiNet را معرفی می‌کنیم؛ مدلی هوشمند و سبک که از سه بخش اصلی تشکیل شده: ESM-Pep که با کمک مدل‌های زبانی پیش‌آموزش‌دیده، پپتیدها را بدون نیاز به آموزش مجدد و با هر طولی به شکل بهینه نمایش می‌دهد؛ IC-HLA که ویژگی‌های تمایزدهنده هر آلل HLA را بر اساس اطلاعات واقعی اتصال‌ها استخراج می‌کند؛ و SiNet که یک شبکه سیامی است و نمایش پپتید و HLA را طوری هم‌تراز می‌کند که اتصال‌های واقعی در فضای ویژگی به هم نزدیک‌تر شوند. این مدل با تأکید بر حساسیت بالا، در مقایسه با ۱۱ مدل برتر دیگر و در سناریوهایی شامل سرطان‌های مختلف، آلل‌های نادر و دیده‌نشده، عملکرد ثابت و قوی از خود نشان داده است. علاوه بر آزمایش‌های محاسباتی مثل داکینگ مولکولی، PHLA-SiNet در تحلیل داده‌های بالینی واکسن پپتیدی KIF20A-66 نیز موفق بوده و آلل HLA-B08:01 را به‌عنوان نامزد مناسب برای مطالعات زیستی بیشتر معرفی می‌کند. در مجموع، PHLA-SiNet روشی دقیق، قابل اعتماد، و مناسب برای کاربردهای واقعی در مسیر توسعه ایمنی‌درمانی شخصی‌سازی‌شده است.