TCRCluster：基于对比学习引导的双阶段变分自编码器实现T细胞受体潜在特征化与聚类的新方法

本研究针对T细胞受体(TCR)特异性预测的挑战，开发了一种基于变分自编码器(VAE)的新型模型TCRCluster，整合了所有六个互补决定区(CDR)的配对TCRα-β链数据。通过半监督"双阶段VAE"框架结合余弦三重损失和分类器，显著提升了肽段特异性潜在表征的准确性，在特异性预测和聚类分析中优于基于序列的方法。研究采用K-means、凝聚聚类和新型图论方法评估聚类效果，其中凝聚聚类在生物相关性、纯度和保留率间取得最佳平衡。该模型在SARS-CoV-2和癌症免疫组库分析中展现出卓越的泛化能力，为TCR预测、聚类和免疫组学研究提供了稳健框架。

　　

解码免疫"分子指纹"：AI如何革新T细胞受体研究

在人体免疫系统的精密防御网络中，T细胞犹如特种部队，通过其表面的T细胞受体(TCR)精准识别被病原体感染或癌变的细胞。这种识别依赖于TCR与呈递在主要组织相容性复合体(MHC)上的抗原肽段(pMHC)的特异性结合，其中六个互补决定区(CDR)尤其是CDR3β环起着关键作用。然而，TCR的惊人多样性（理论上可达10¹⁵种）与实验数据的稀缺性，使得预测TCR特异性和识别功能相似的TCR群体成为免疫学领域的重大挑战。

传统方法如GLIPH、TCRdist等主要依赖序列相似性，而深度学习模型如NetTCR、DeepTCR虽取得进展，但在处理未知抗原和噪声数据时仍显不足。更棘手的是，现有数据库如IEDB、VDJdb中大量TCR-pMHC相互作用数据存在标注错误和交叉反应性问题，这对机器学习模型的泛化能力提出了严峻考验。

针对这些瓶颈，丹麦技术大学健康技术系的研究团队开发了TCRCluster——一种融合对比学习和半监督策略的创新框架。这项发表于《NAR Genomics and Bioinformatics》的研究，通过双阶段变分自编码器(VAE)架构，首次实现了对完整TCRα-β链所有CDR区域的联合建模，在保持99.3%序列重建精度的同时，显著提升了对抗原特异性的表征能力。研究证实，该方法在COVID-19和癌症免疫组库分析中展现出超越传统方法的性能，为精准免疫监测和个性化免疫治疗提供了新工具。

关键技术方法
研究采用三组独立数据集（IEDB、VDJdb和10x单细胞数据），经Hobohm-1算法去冗余后获得9,769个独特TCR-肽段对。核心模型为卷积变分自编码器(CVAE)，输入为BLOSUM50编码的六CDR序列和位置向量，潜在维度128。创新性引入：1）双阶段训练框架，第一阶段重建序列，第二阶段用多层感知机(MLP)预测结合特异性；2）余弦三重损失函数优化潜在空间几何结构；3）新型Top1Cut加权图聚类算法。评估采用五折交叉验证，对比TCRbase和tcrdist3等基准方法。

主要研究结果

潜在空间的生物学意义构建
通过系统比较不同VAE架构发现：仅使用CDR3的模型AUC为0.72，显著低于包含全部CDR的模型（AUC 0.85）。引入余弦三重损失和双阶段监督后，最佳模型在17个高丰度肽段的测试集上达到AUC 0.91，部分AUC_0.1提升47%。关键突破在于成功解耦了序列重建与特异性学习——通过β=10^-2的KLD约束和tanh退火策略，在保持99.3%重建精度的同时，使结合/非结合TCR的潜在距离分布分离度提高2.3倍。

聚类算法的性能博弈
比较三种聚类策略发现：新型Top1Cut加权算法在保留率>50%时纯度达70%，优于K-means；但凝聚聚类在综合指标（轮廓系数0.61）和生物可解释性上更优。深入分析揭示，标注噪声显著影响聚类规模——在模拟实验中，仅5%错误标注就使平均簇大小从18降至3。实际数据中，"优质簇"（纯度>75%，大小≥5）仅占12%，且富集于LLWNGPMAV等免疫显性肽段，印证了数据质量的关键作用。

跨疾病免疫组库验证
在43例COVID-19患者样本中，双阶段VAE的簇纯度（68±7%）显著高于TCRbase（52±9%）。通过100次bootstrap抽样构建的"高频聚类TCR"组，与IEDB COVID数据库重叠率达21.4%，而健康对照组仅2.1%，证实模型有效捕捉疾病相关克隆。更具挑战的是，在训练集未覆盖的肿瘤新抗原QVDYYGLYY（与最近训练肽段距离≥5）分析中，模型仍保持AUC 0.79，凸显其强大的迁移学习能力。

结论与展望
TCRCluster通过三个关键创新重新定义了TCR分析范式：1）物理信息嵌入的VAE架构，将BLOSUM矩阵与位置编码结合，解决了传统方法忽略CDR空间排列的问题；2）双重半监督机制，首次在无监督学习中引入肽段序列信息和结合标签，使潜在空间兼具拓扑保真与生物学意义；3）基于边权重的图聚类优化，在噪声环境下保持稳健性。

这项研究不仅为TCR特异性预测建立了新标准，更开辟了多个研究方向：首先，模型对癌症新抗原的良好泛化性，为肿瘤浸润淋巴细胞(TIL)疗法中的靶点筛选提供了高效工具；其次，在COVID-19数据中发现的"高频聚类TCR"可能指向公共抗原表位，这对疫苗设计具有启示意义；最后，提出的噪声评估框架为免疫组学数据质量控制提供了量化指标。

未来工作将聚焦于：1）整合HLA分型信息以解决MHC限制性问题；2）开发基于注意力的序列编码器替代CNN，以更好捕捉远距离残基相互作用；3）构建全球协作平台，通过联邦学习扩大训练数据规模。随着单细胞多组学技术的发展，这种融合深度学习和免疫学原理的方法，有望成为解码适应性免疫"语言"的通用框架。