Cell Sys | 刘琦/梁爱斌发布AI模型TCRBagger，构建肿瘤新生抗原识别新范式，助力肿...

主要观点总结

本文介绍了同济大学生命科学与技术学院生物信息学系刘琦教授团队在Cell Systems期刊发表的研究论文，该论文提出了一种创新性的弱监督学习算法框架TCRBagger，用于识别肿瘤疫苗开发中具有免疫原性的新生抗原。该算法框架以样本级TCRProfile为输入，通过模拟免疫系统中多TCR协同识别抗原的生物学机制，突破了传统单一TCR–肽段配对建模思路的局限性，为个体化新生抗原鉴定提供了一种创新思路。研究团队通过多层次、多维度验证，证明TCRBagger在预测性能与临床适用性方面优于现有主流模型。

关键观点总结

关键观点1: 研究背景

计算识别模型成为新生抗原筛选的重要手段，但多数模型仅基于肽段与HLA分子的结合特征，忽略了TCR在抗原识别中的决定性作用。

关键观点2: 研究难点

具有实际免疫原性的候选新生抗原仅占极少数，传统实验筛选成本高、周期长且效率有限；现有预测模型在面对未见肽段时的泛化性能普遍较弱。

关键观点3: 创新点

同济大学生命科学与技术学院生物信息学系刘琦教授团队提出的TCRBagger算法框架，首次以样本级TCRProfile为输入，模拟多TCR协同识别抗原的生物学机制，突破了传统建模思路的局限性。

关键观点4: 核心技术

TCRBagger基于两个核心免疫原性假设进行设计，采用弱监督多示例学习策略，将TCR库整体作为输入单元，探索肽段与个体TCR集合间的交互规律。

关键观点5: 研究成果

TCRBagger通过多层次、多维度验证，在预测性能与临床适用性方面优于现有主流模型，包括独立测试集上的免疫原性预测指标超越DeepImmuno与DeepHLApan等工具；准确识别CD8 T细胞响应的新生抗原；显著提高患者特异性新生抗原筛选精度；模型计算的“免疫反应得分”有效区分治疗响应者与非响应者。