基于等位基因包含事件机器学习解析抗体序列约束机制

来自Cell Press的研究团队通过分析B细胞中罕见的等位基因包含(allelic inclusion)事件，开发出能识别异常抗体序列的机器学习模型。该研究突破性地利用单细胞测序数据，建立的模型在预测抗体多反应性(polyreactivity)和表面表达等特性方面显著优于现有方法，为抗体药物开发提供全新筛选工具。

　　

在免疫系统的精密调控中，B细胞通常遵循"等位排斥"原则表达单一轻链。然而这项突破性研究捕捉到了罕见的等位基因包含(allelic inclusion)现象——某些B细胞会同时表达两条不同轻链的mRNA。科研团队巧妙地将这些"违背常理"的细胞作为天然训练集，通过机器学习解码抗体序列的"禁忌密码"。

研究揭示其中一条被"标记"的轻链往往存在表达缺陷或自身反应性(auto-reactivity)问题。基于单细胞RNA测序(scRNA-seq)数据构建的AI模型，不仅能准确识别这些异常序列，还成功预测了抗体的多反应性(polyreactivity)和膜表面表达水平等关键特性，性能远超传统方法。

更有趣的是，在小鼠重链研究中发现，替代轻链(surrogate light chain)的配对竟能显著影响重链的多样性选择。这些发现如同获得了一把"分子尺"，能量化评估哪些抗体序列会因结构缺陷被免疫系统"淘汰"，为理性设计治疗性抗体提供了全新筛选维度。