弱监督学习框架TCRBagger：基于TCR组装的个性化新抗原预测突破

来自Gao团队的研究人员针对新抗原免疫原性预测中忽略患者特异性TCR谱的瓶颈，开发了弱监督学习框架TCRBagger。该研究通过整合自监督学习、去噪学习和多示例学习策略，显著提升肽-TCR结合预测精度，为个性化肿瘤免疫治疗提供新方法。

　　

科学家们开发出名为TCRBagger的创新弱监督学习框架，通过整合患者特异性T细胞受体（TCR）谱数据，显著提升个性化新抗原鉴定能力。该框架巧妙融合三种机器学习策略——自监督学习、去噪学习和多示例学习（MIL），有效模拟肽段与TCR之间的相互作用机制。

传统方法多局限于分析肽段特性、人类白细胞抗原（HLA）结合亲和力或单一肽-MHC-TCR（pMHC-TCR）相互作用，而TCRBagger突破性地将个体化TCR谱纳入免疫原性评估体系。该系统通过样本特异性TCR谱的组装（bagging）技术，在多个基准测试中展现出超越现有工具的预测性能，尤其在黑色素瘤免疫检查点阻断（ICB）治疗反应预测方面展现巨大潜力。

这项研究为肿瘤免疫治疗提供了前所未有的技术视角，通过建模肽段与患者特异性TCR谱的相互作用，为个性化新抗原鉴定开辟了新途径，最终有望推动精准免疫治疗的发展。