在一项重大突破中，莫纳什大学的科学家们解开了免疫医学中一个最大的问题——如何准确预测哪些T细胞及其受体在分子水平上能预防疾病。来自莫纳什生物医学发现研究所（BDI）的研究团队与上海交通大学和耶鲁大学合作，使用了一种定制的人工智能（AI）建模方法，进一步推动了个性化细胞和基因医学的发展。
T细胞受体（TCR）是这个谜题中的一个重要部分，它是由蛋白质组成的网络，当检测到抗原（如细菌、病毒或任何毒素）时，会激活细胞，触发免疫反应。直到现在，这一问题的难点在于存在大量的T细胞受体和同样大量的抗原表位，这些受体需要与其结合。
这项研究现已发表在《自然机器智能》上。首席资深作者江宁松教授领导的AI驱动生物信息学和生物医学实验室位于BDI，他解释说，了解T细胞如何识别抗原对于开发更好的疫苗、免疫疗法以及癌症、自身免疫疾病和传染病的治疗方法至关重要。江宁松教授的工作横跨生物医学和计算领域，他是莫纳什数据未来研究所、澳大利亚研究委员会高级分子成像卓越中心和莫纳什数字健康联盟的成员。
EPACT的影响
研究团队在论文的引言中提到，尽管进行了大量研究，但预测TCR和抗原结合对仍是一个重大挑战。然而，他们开发的AI深度学习工具EPACT在分析抗原中的表位和特定的CD8+ T细胞方面取得了成功。CD8+细胞在抵御病毒和细菌的免疫防御中发挥作用，并在肿瘤监测中杀死感染细胞。
研究人员将AI方法应用于COVID SARS-CoV-2，预测的结合强度与接种疫苗后的免疫反应非常一致。T细胞受体通过MHC I类分子展示的特定抗原激活细胞。江宁松教授表示：“这个项目的重大特点是，我们需要处理大量高维多模态生物医学数据集。”
“这些数据集来自测序数据、单细胞转录组数据、3D结构数据和相互作用数据。最终，我们需要思考如何更好地开发一种方法，使我们能够更好地理解这类数据。我们能否真正利用这些未被发现的知识，并将其转化为可转化的应用，例如。”
专门的AI模型
江宁松教授指出，在这种科学中存在一个问题，即广泛可用的细胞测序数据与越来越昂贵的3D细胞结构数据之间的“差距”不断扩大。“将TCR序列数据映射到抗原特异性的实验方法面临多个问题，包括成本高、技术复杂和覆盖范围有限。现有的计算方法由于缺乏高质量的数据，难以预测未见表位的结合TCR。”因此，他们合作开发了一个更专门的AI模型，这一成果发表在这篇论文中。“这是第一步，开发更好的AI方法，使研究人员能够设计更安全、更有效、更有效的T细胞受体，以实现个性化免疫疗法，例如从预测性AI到生成性AI。这是长期目标。”
突破性发现
研究的主要发现之一是T细胞残基与抗原表位的相互作用，“这是一个关键的发展”，江宁松教授说。“许多方法无法实现残基水平的相互作用预测，确定负责不仅结合亲和力而且交叉反应的关键残基。我们的模型可以进一步用于指导未来的表位样疫苗设计。”
揭示“多尺度”相互作用
江宁松教授表示，从这样一个长期而复杂的分子调查中得出的主要发现是，现在存在一个AI模型，可以显示T细胞、细胞中的分子和表位中的肽之间的“多尺度”相互作用。“它还可以识别抗原特异性T细胞簇，并验证接种疫苗后的SARS-CoV-2刺突特异性T细胞反应。”
该研究的第一作者、江宁松教授BDI实验室的博士生张雨萌实施了AI模型。“我们的模型还可以扩展以识别免疫原性新抗原并设计个性化生物标志物。”江宁松教授表示，研究团队开发的AI模型是“一个强大的计算工具，具有在临床研究中加速基于TCR的免疫疗法和疫苗评估的巨大潜力”。
(全文结束)
