AIRR诊断中机器学习技术的进展与应用：从序列解码到临床转化

《Immunology Letters》：Machine learning in AIRR diagnostics: Advances and Applications

本综述系统探讨了机器学习(ML)在适应性免疫受体库(AIRR)诊断领域的最新进展与应用。面对测序技术带来的海量AIRR数据，研究人员聚焦于如何利用ML算法对AIRR-seq数据进行分类分析，以解决传统诊断方法在早期诊断、难治性疾病分型及免疫治疗反应监测等方面的瓶颈。文章从方法学上区分了基于库水平(Repertoire-level)和序列水平(Sequence-level)的特征分析策略，并介绍了多实例学习(MIL)等新兴ML框架在应对AIRR数据高维度、低见证率(Witness Rate)等挑战中的应用。同时，综述梳理了公共AIRR数据资源（如AIRR Data Commons, OAS）的现状，强调了高质量数据对模型训练的重要性。文章指出，尽管AIRR诊断在CMV感染检测、COVID-19既往感染判定（已获FDA紧急使用授权）及癌症免疫治疗应答预测等方面展现出巨大潜力，但其临床常规化仍面临数据标准化、模型可解释性及独立验证等 hurdles。该研究为理解免疫状态、开发新型诊断工具及推动精准免疫治疗提供了重要见解，相关成果发表于《Immunology Letters》。

　　

在我们身体的防御系统中，有一支高度特化的“特种部队”——适应性免疫系统，它能够针对从未见过的病原体或异常细胞发起精准打击。这支队伍的核心战斗力来自于T细胞和B细胞表面的适应性免疫受体（AIRs），即T细胞受体（TCR）和B细胞受体（BCR）。这些受体具有惊人的多样性，理论上可达10²⁰种以上，这主要得益于V(D)J基因片段的随机重排以及连接处的核苷酸插入与缺失。一个人的所有TCR和BCR的集合，被称为适应性免疫受体库（AIRR），它动态地记录了个体的免疫历史、当前状态以及对未来挑战的潜在应答能力。随着高通量测序技术的飞速发展，我们如今能够以前所未有的深度和广度来解析AIRR，产生了海量的AIRR测序（AIRR-seq）数据。这些数据蕴含着巨大的诊断潜力，有望用于传染病暴露史筛查、自身免疫病风险评估、癌症免疫治疗疗效预测等诸多领域。然而，如何从这些高度复杂、个体间重叠极少的“大数据”中提取出有意义的、可用于临床诊断的信号，成为了一个严峻的挑战。传统统计方法力有不逮，这也催生了对强大计算分析方法，特别是机器学习（ML）技术的迫切需求。

为了应对这一挑战，研究人员开展了一项系统性的综述研究，旨在梳理机器学习在AIRR诊断领域的应用现状、方法学进展、数据资源以及面临的机遇与挑战。这项研究清晰地勾勒出如何利用计算智能来解读免疫“天书”，为开发下一代精准诊断工具奠定了方法论基础。该综述已发表在《Immunology Letters》上。

研究人员在开展这项综述研究时，主要围绕几个核心方面进行梳理和归纳。他们首先界定了AIRR诊断的研究范畴，即利用机器学习算法对完整的AIRR数据进行分类，以区分患者、组织或样本状态，这与预测单个受体功能的研究相区别。在方法学上，他们系统地将现有方法划分为基于库水平特征（如多样性、相似性、V/J基因使用频率）和基于序列水平特征（如特定克隆型的出现、序列 motifs）的两大类别，并重点介绍了能够整合两者优势的多实例学习（MIL）等新兴机器学习框架。为了支撑机器学习模型的训练与验证，研究团队详细综述了当前可公开获取的大规模AIRR数据集资源，例如AIRR Data Commons、Observed Antibody Space (OAS)和Observed TCR Space等，这些数据库收录了数十亿条AIRR序列。同时，他们也关注了从靶向AIRR-seq到批量RNA-seq/外显子组衍生的AIRs等不同技术来源的数据特点及其对分析的影响。通过对大量已有研究案例（如CMV血清状态分类、COVID-19感染检测、免疫检查点抑制剂疗效预测等）的剖析，总结了成功经验与现存障碍。

Applications of Immune Repertoire Analysis

研究表明，AIRR分析的应用范围十分广泛。在传染病领域，Emerson等人的开创性工作成功利用TCR库数据构建了区分巨细胞病毒（CMV）血清阳性与阴性个体的分类器。新冠肺炎（COVID-19）大流行期间，基于AIRR-seq的检测方法甚至获得了美国FDA的紧急使用授权（EUA），用于判定既往SARS-CoV-2感染。在肿瘤免疫治疗领域，AIRR分析能够预测患者对免疫检查点抑制剂（如抗CTLA-4、抗PD-1抗体）等治疗的反应，并通过追踪治疗前后克隆型的变化来监测疗效和免疫相关不良事件。对于自身免疫病，研究发现特定TCR序列（如TRBV9+ T细胞）与疾病（如强直性脊柱炎）直接相关，揭示了其作为治疗靶点的潜力。此外，AIRR特征（如序列内容、基因使用、多样性）也与多种疾病的严重程度相关。

Methodological categories of AIRR diagnostics

在方法学上，AIRR诊断方法可大致分为两类。一类是库水平分类，它关注整个免疫受体库的整体特征。例如，库多样性（常用香农熵、Gini-Simpson指数等衡量）在肿瘤免疫中具有预后指示意义，肿瘤内TCR多样性降低往往提示预后较差。Morisita-Horn相似性指数可用于评估不同样本间受体库的重叠程度。V基因和J基因的使用频率分析也能反映疾病特异性的免疫应答模式。另一类是序列水平分类，其核心是识别能够区分不同生物学状态的特定AIR序列。例如，通过Fisher精确检验筛选与特定条件（如CMV感染）显著相关的“公共克隆型”，并以此构建诊断模型。对于个体间重叠极少的“私有克隆型”，则可采用序列聚类等方法寻找功能相似的序列模式。

Multiple Instance Learning

多实例学习（MIL）是一种特别适合处理AIRR数据的机器学习框架。在MIL中，一个样本（如一个免疫受体库）被视为一个“包”，包含多个实例（如单个TCR序列），但只有整个包有标签（如患者是否患病），而单个实例的标签是未知的。这很好地对应了AIRR数据的特性：一个库中仅有极少数序列与疾病相关（极低的见证率）。然而，AIRR数据也给MIL带来了巨大挑战，包括见证率极低、个体间序列重叠少、序列多样性极高、以及AIR-表位结合的多对多关系等。为了应对这些挑战，出现了如DeepRC这样的先进MIL方法，它采用类似Transformer的注意力池化机制，让模型学习关注那些可能具有判别性的序列，而不是简单地使用最大池化。DeepAIR等方法则尝试整合序列、结构以及VJ基因使用等多模态特征来提升分类性能。

Selecting Machine Learning Approaches for AIRR diagnostics

机器学习方法的选择取决于数据特征、队列规模和具体应用场景。对于小到中等规模的数据集，或当特征主要为全局库指标或公共克隆型时，逻辑回归、随机森林等传统模型因其简单、可解释性强且不易过拟合而具有优势。对于大规模数据集，深度学习模型（如基于CNN、LSTM的框架、immuneML、DeepAIR）能够自动提取复杂的非线性特征，可能获得更高准确率，但需要谨慎的验证以防止过拟合。当疾病相关信号非常稀疏（低见证率）时，像DeepRC这样的MIL架构表现出色。模型选择需权衡预测准确性与模型可解释性，并考虑其向临床决策转化的潜力。

The importance of data for AIRR diagnostics

高质量的数据是机器学习诊断方法成功的基石。目前已有多个大型公共AIRR数据平台，如AIRR Data Commons（包含超过52亿条AIR序列）、Observed Antibody Space (OAS)和Observed TCR Space等，为研究提供了宝贵资源。这些数据集可分为大规模队列和疾病特异性队列。大规模队列（如Emerson等人的CMV研究队列，包含786名受试者的1.14亿条序列）样本量大，适用于发现跨人群的疾病特征和进行序列级分类。疾病特异性队列（如某些1型糖尿病T1D研究）虽然规模较小，但通常设计严谨（如精心匹配的病例对照），并能提供纵向数据，便于追踪特定克隆随时间的变化，更适用于库水平分析或追踪特定感兴趣的克隆。

Discussion

尽管AIRR诊断领域取得了显著进展，但仍面临若干挑战。首先，不同的商业测序平台和实验技术会引入偏差，例如在V/J基因使用上表现出技术特异性差异，这在合并不同数据集时可能导致模型学习到技术偏差而非真实的生物学信号，因此进行独立的外部数据集验证至关重要。其次，目前多数方法仅利用序列的存在与否信息，而是否以及如何有效利用克隆频率这一可能包含重要信息但易受技术影响的维度，仍是一个开放性问题。再者，许多方法仅关注个体间共享的“公共克隆型”，这忽略了大量“私有克隆型”所携带的信息，如何在一个通用的特征空间中有效表征功能各异的私有序列仍是未解难题。与AIRR诊断并行发展的AIRR靶标预测（预测AIR序列结合的抗原）技术有望为诊断提供新的“自下而上”的思路，但其应用目前受限于训练数据的广度。最后，该领域缺乏具有已知“金标准”的基准数据集和统一的评估标准，这阻碍了不同方法间的公平比较和独立 benchmarking。展望未来，AIRR诊断可能在现有诊断方法不足的领域发挥独特价值，例如疾病早期诊断、免疫治疗患者分层、移植后免疫重建监测等。推动AIRR诊断走向临床常规应用，需要学术界、工业界和监管机构的共同努力。AIRR社区的诊断工作组和即将成立的机器学习工作组等相关倡议，正致力于克服障碍，促进该领域的创新与合作。

综上所述，这篇综述系统性地总结了机器学习在适应性免疫受体库诊断中的应用图景。它阐明了如何利用计算手段从海量免疫数据中挖掘诊断信息，涵盖了从基础概念、方法学分类、技术挑战到数据资源及未来方向的各个方面。尽管在标准化、可解释性和临床验证方面仍有关键问题亟待解决，但机器学习驱动的AIRR分析无疑为理解复杂免疫状态、实现疾病早期预警、指导个性化治疗开辟了充满希望的新途径，标志着我们向精准免疫医学迈出了坚实的一步。