非特异性免疫和适应性免疫，是人体免疫的两种类型

随着医学常识普及度的加深，免疫这种人体与生俱来的生理功能，已经被大多数人所熟知。正是借助免疫功能，人体才得以有效识别自身和外来事物，并通过对抗原物质和肿瘤细胞的破坏和排斥，来维持机体健康。

非特异性免疫和适应性免疫，是人体免疫的两种类型。两者的不同之处在于，前者生来就有，后者在出生之后（后天感染或人工预防接种）才能获得。

对于适应性免疫来说，包括Ｔ细胞受体和Ｂ细胞受体在内的适应性免疫受体，能够通过识别抗原，来激活免疫反应，进而达到清除肿瘤细胞和入侵病原体的目的。

其中，Ｔ细胞受体负责识别细胞表面主要组织相容性复合体（majorhistocompatibilitycomplex，MHC）所呈递的抗原，而Ｂ细胞受体则负责识别天然抗原和同源抗原。

近年来，相关领域的科学家发现，准确预测适应性免疫受体-抗原结合，对该领域的基础研究和临床应用皆有助益，比如，有利于理解适应性免疫系统的工作原理；促进免疫疗法开发和疫苗设计。

不过，目前市场上已有的相关人工智能方法，绝大多数只能接受序列衍生特征作为主要的输入信息，而无法处理那些能够对结合亲和力起到关键作用的结构特征。

为了更好地解决这个问题，不久前，来自澳大利亚莫纳什（Monash）大学和腾讯人工智能实验室的研究团队，开发了一款名为DeepAIR的深度学习框架，能够同时整合适应性免疫受体的序列和结构特征，来准确地预测适应性免疫受体-抗原结合。除此之外，该框架还具有分类免疫组库的功能。

图丨构建DeepAIR的计算框架（来源：ScienceAdvances）

实验表明，DeepAIR在三项适应性免疫受体-抗原分析任务中，都获得了优异的预测性能：首先，在预测T细胞的结合亲和力方面，基于该框架获得的皮尔逊相关系数值（Pearsoncorrelationcoefficient，用于度量两个变量X和Y之间的线性相关）达到0.813；其次，在预测T细胞受体和B细胞受体的结合反应性方面，该框架分别能实现0.904和0.942的受试者操作特征曲线（AreaUnderCurve，AUC）下的面积中值。

同时，基于T细胞受体和B细胞受体库，该框架可以从测试数据中正确识别出患有鼻咽癌和炎症性肠病的病人。

“总的来说，相较于此前同类方法，我们开发的方法应该是首个全面考虑了受体序列信息和三维空间结构数据的算法。”莫纳什大学生物医学和人工智能交叉学科教授宋江宁表示。

图丨宋江宁（来源：宋江宁）

2023年8月9日，相关论文以《DeepAIR：一个深度学习框架，用于有效整合序列和3D结构，实现自适应免疫受体分析》（DeepAIR:Adeeplearningframeworkforeffectiveintegrationofsequenceand3Dstructuretoenableadaptiveimmunereceptoranalysis）为题在ScienceAdvances上发表[1]。

图丨相关论文（来源：ScienceAdvances）

腾讯人工智能实验室赵宇赵和何冰博士为该论文的共同第一作者，宋江宁、腾讯人工智能实验室何冰博士和姚建华博士担任论文的共同通讯作者。

据介绍，该研究启动于一年多以前，由莫纳什大学与腾讯人工智能实验室合作完成，前者的优势在于，在生物医学领域深耕多年，拥有大量经过实验验证的数据，后者提供了强大的人工智能底层算法，以及坚实的软硬件条件。

事实上，该团队开发的深度学习框架，除了能够预测适应性免疫受体-抗原的结合，还涉及到T细胞交叉反应活性方面的问题，也就是说一个细胞可能会识别MHC所呈递的多个不同的抗原。

因此，接下来该团队要在这项研究的基础之上，探索更加深度的人工智能算法。“我们希望从开发端到端的算法出发，最后实现对三维空间结构模型的直接构建。如果这个模型能够做出来，应该会给整个领域带来较大的影响。”宋江宁解释说。

例如，如今基于T细胞的肿瘤免疫治疗发展得非常火热，但其中比较重要的CAR-T（ChimericAntigenReceptorT-CellImmunotherapy，嵌合抗原受体T细胞免疫疗法）疗法，只对治疗血癌有效，无法很好地应用到实体肿瘤的治疗中。因此，如果能够开发出相关的模型，或将有助于在T细胞改造的基础之上改进CAR-T治疗。

宋江宁表示：“目前我们仅在T细胞和B细胞免疫上开展了一些研究，接下来我们还计划继续联合腾讯人工智能实验室，研究其他免疫细胞类型的分子水平上的识别机制，以及深入探索肿瘤微环境的多模态影像、分子数据整合分析和单细胞多模态数据等方面的研究。”