研究人员来自麻省理工学院（MIT）贾米尔诊所和拉贡研究所，开发了一种名为MUNIS的深度学习模型，该模型显著增强了T细胞表位预测能力，可能加速针对传染病的疫苗研发。他们的研究结果发表在《自然机器智能》上。这一合作代表了使用人工智能（AI）进行T细胞疫苗候选设计的关键进展。
MIT教授雷吉娜·巴尔齐莱（Regina Barzilay，博士），贾米尔诊所AI与健康部门负责人，和拉贡研究所成员高拉夫·盖哈（Gaurav Gaiha，医学博士，哲学博士）介绍了MUNIS作为预测框架，能够以前所未有的准确性识别CD8+ T细胞表位。这一突破可以通过改善表位映射的速度和精度来简化针对各种传染病的疫苗设计。
这一项目是拉贡研究所Mark和Lisa Schwartz AI/ML倡议的一个里程碑成就，该倡议整合了转化免疫学、机器学习和人工智能，以应对全球传染病。该倡议得到了拉贡研究所董事会主席马克·施瓦茨（Mark Schwartz）及其妻子丽莎·施瓦茨（Lisa Schwartz）的支持。
研究团队由共同第一作者杰里米·沃尔亨德（Jeremy Wohlwend，博士）和阿努莎·内森（Anusha Nathan，博士）领导，旨在克服疫苗开发中长期存在的挑战：病原体蛋白中T细胞表位的有效和准确识别。他们的方法结合了盖哈实验室在T细胞免疫学方面的专长和巴尔齐莱实验室在AI驱动建模方面的进步。T细胞表位是抗原中被免疫细胞识别的离散区域，在引发靶向免疫反应中起着关键作用。
传统的表位预测方法往往受到速度和准确性的限制。通过使用最先进的AI架构和超过65万个独特的人类白细胞抗原（HLA）配体的精选数据集，MUNIS显著优于现有模型。该系统使用来自流感病毒、HIV和Epstein-Barr病毒（EBV）的实验数据进行了验证，成功识别了EBV中的新型免疫原性表位。
值得注意的是，MUNIS的准确性与实验稳定性测定相当，这是广泛用于表位验证的方法。这表明它有可能通过减少对劳动密集型实验室实验的依赖，同时保持高预测性能，简化疫苗开发过程。
“这是我们关于AI与免疫学交叉领域的第一篇论文。通过与盖哈博士及其团队的合作，我们在这个迷人的领域中学到了很多，并对使用AI算法建模免疫系统的复杂性感到兴奋。”——雷吉娜·巴尔齐莱（博士），贾米尔诊所AI与健康部门负责人。
“这是一个出色的人工智能应用，受益于计算机科学家和免疫学家之间的见解共享。这一成就归功于将我们聚集在一起的倡议，它创造了一个令人兴奋的新工具，用于免疫学和疫苗设计。”——高拉夫·盖哈（医学博士，哲学博士），拉贡研究所成员。
除了疫苗研究外，MUNIS在免疫疗法和自身免疫疾病研究方面也有更广泛的影响。通过提供一个强大的框架来预测免疫优势表位——即最容易被免疫系统识别的表位——它为癌症T细胞免疫疗法和自身免疫疾病建模奠定了基础。随着全球科学界继续应对新兴传染病威胁，像MUNIS这样的工具提供了可扩展的解决方案，以增强准备和响应策略。
这一进展强调了拉贡研究所致力于整合免疫学和技术，以推动全球健康和疾病预防的创新。
(全文结束)
