综述：AI驱动的表位预测：系统综述、比较分析及疫苗开发实用指南

这篇综述系统阐述了人工智能（AI）在表位（epitope）预测中的革命性应用，重点对比了卷积神经网络（CNN）、图神经网络（GNN）和Transformer等模型的性能，如MUNIS和GraphBepi等已验证模型可识别传统方法遗漏的免疫原性表位。文章强调结构数据整合对提升预测精度的关键作用，并为实验验证提供了从体外免疫原性检测到体内挑战模型的实用策略，为加速下一代疫苗研发提供了跨学科路线图。

　　

AI驱动的表位预测：疫苗开发的新范式

传统疫苗开发的挑战与AI的突破

传统疫苗研发平均耗时10年且失败率超90%，而COVID-19疫苗的成功证明了加速开发的可行性。早期反向疫苗学（reverse vaccinology）通过基因组筛查抗原，如脑膜炎奈瑟菌B研究中预测的350个候选抗原，但早期机器学习模型如NetMHC系列存在准确率不足的问题。例如，SARS-CoV-2研究中仅22%的预测肽段在体外验证结合。

深度学习模型的性能飞跃

现代AI模型通过整合海量免疫数据显著提升预测精度。MUNIS模型在>65万组HLA-肽段数据训练下，HLA I类结合预测的中位平均精度达0.894，较NetMHCpan 4.1提升26%。其实验验证了EB病毒中新型CD8⁺ T细胞表位，证实AI能发现传统方法忽略的靶点。

架构创新与比较

• •

  CNN：擅长识别局部序列模式，如DeepLBCEPred通过双向LSTM和多尺度CNN实现线性B细胞表位预测准确率~67%。

• •

  RNN/LSTM：MHCnuggets利用LSTM预测肽段-MHC亲和力，AUROC达0.82，扫描2600万组肽段仅需2.3小时。

• •

  Transformer：BERTMHC通过自注意力机制捕捉长程相互作用，MHC II类结合预测AUC达0.882，注意力权重可定位关键锚定残基。

• •

  GNN：GraphBepi结合AlphaFold2预测的3D结构，AUPR较传统工具提升44%，其图注意力机制能识别抗原表面聚集的残基。

结构预测的革新

AlphaFold2的突破使得无实验结构的抗原也能进行构象表位预测。GraphBepi利用预测结构构建残基相互作用图，而EpiGraph通过图注意力网络（GAT）学习表面残基聚类特征，AUPR达0.24。

案例：VenusVaccine的双注意力系统

VenusVaccine整合序列和结构数据，在9500种抗原训练集上实现AUC>0.90。其注意力权重可定位SARS-CoV-2刺突蛋白受体结合域等已知免疫优势区，预测结果通过ELISA验证。

实验验证策略

• •

  T细胞表位：需结合MHC结合实验（如竞争性ELISA）和功能性验证（IFN-γ ELISpot）。例如，SARS-CoV-2研究中63%的AI预测表位可诱导T细胞应答。

• •

  B细胞表位：构象表位需通过突变实验或冷冻电镜验证。如GraphBepi预测的残基经突变后抗体结合降低，证实表位有效性。

挑战与未来方向

数据偏差（如流感病毒数据过拟合）和新兴病原体泛化性仍是瓶颈。解决方案包括数据增强和迁移学习。此外，整合抗原加工（如蛋白酶体切割预测）和宿主基因组背景将提升模型实用性。

AI驱动的表位预测已从理论走向实践，通过多模态数据整合和可解释性设计，为疫苗研发提供了从靶点筛选到临床前验证的全链条支持。