综述：人工智能与免疫肽组学发展的前景展望

这篇综述系统阐述了人工智能（AI）在免疫肽组学（immunopeptidomics）中的革新应用，涵盖质谱（MS）数据分析、新抗原（neoantigen）发现及免疫原性预测等关键环节，特别关注AI如何突破乳腺癌等"冷肿瘤"的免疫治疗瓶颈。

　　

ABSTRACT

免疫肽组学是通过大规模研究主要组织相容性复合体（MHC）分子呈递的肽段来揭示肿瘤抗原的核心技术。随着质谱灵敏度提升和人工智能（AI）算法进步，该领域已实现从肽段鉴定到免疫原性预测的全流程优化。

背景

MHC分子将细胞内蛋白降解产生的短肽呈递至细胞表面，形成免疫肽组（immunopeptidome）。其中HLA-I类分子主要激活CD8⁺ T细胞，HLA-II类分子激活CD4⁺ T细胞。尽管质谱技术能直接检测MHC结合肽，但低丰度肽段鉴定仍是挑战。

AI在免疫肽组学中的应用

2.1 谱图与保留时间预测

传统数据依赖性采集（DDA）存在离子选择随机性问题，而数据非依赖性采集（DIA）依赖AI生成的虚拟谱图库。Prosit等工具通过双向门控循环单元（BiGRU）预测MS/MS谱图，DeepLC则利用卷积神经网络（CNN）精准预测保留时间（RT）。

2.2 从头肽段测序

DeepNovo结合CNN和长短期记忆网络（LSTM）解析非酶切肽段，SMSNet发现超10,000个新型HLA肽段，Casanovo应用Transformer架构直接翻译质谱数据为肽序列。

2.3 PSM重评分

MSBooster整合Prosit预测特征提升匹配可信度，MS²Rescore通过谱角等指标优化假阳性率控制，特别适用于非经典肽段鉴定。

2.4 免疫原性预测

NetMHCpan预测MHC结合亲和力，DeepImmuno评估T细胞响应概率。值得注意的是，MHC结合力≠免疫原性，需结合肿瘤微环境（TME）特征综合判断。

乳腺癌案例研究

三阴性乳腺癌（TNBC）因高肿瘤突变负荷（TMB）成为新抗原疫苗理想对象，GP2肽疫苗III期试验（NCT05232916）显示潜力。而HER2⁺亚型因免疫浸润不足疗效受限，AI或可通过挖掘非经典抗原（如lncRNA来源肽）突破瓶颈。

挑战与展望

当前瓶颈包括：

• 质谱数据假阳性控制

• 非经典肽段（如磷酸化修饰）的鉴定

• 脱靶毒性风险评估

  未来方向应聚焦多组学整合模型开发，建立标准化评估体系，并探索"现货型"共享新抗原。

该领域发展将推动"冷肿瘤"免疫治疗策略革新，最终实现精准免疫治疗的临床转化。