人工智能在抗原-MHC相互作用研究中的现状综述：从预测建模到生成设计的范式跃迁

《Biosafety and Health》：Comprehensive review of the current status of artificial intelligence in MHC interactions

　　

人工智能（AI）与免疫学的深度融合正在重塑生物医学研究的范式，推动其从实验验证向计算预测与生成设计转型。高通量测序等技术产生的大规模高维免疫学数据已使传统研究方法捉襟见肘。2020年至2025年间，计算抗原分析领域实现了从传统机器学习到先进深度学习架构的跨越式发展。Transformer、图神经网络（GNN）等生成式人工智能显著提升了抗原-MHC（主要组织相容性复合体）结合亲和力预测的精度，赋能结构预测、免疫原性评估与全新药物设计，并推动研究从“发现驱动”向“主动设计驱动”转变。然而，HLA（人类白细胞抗原）数据中的族群偏差、模型的“黑箱”特性以及计算预测与湿实验验证之间的“生物学鸿沟”，仍是“数字免疫系统”临床转化面临的主要障碍。本综述将从方法论演进、核心分析任务、临床应用场景与伦理挑战四个维度，对抗原-MHC相互作用研究现状进行系统分析。

论文解读文章

一、研究背景与问题

免疫系统的复杂性以及抗原与主要组织相容性复合体（MHC）相互作用的特异性，构成了精准免疫治疗开发的核心瓶颈。传统的还原论方法在解析高维组学数据中复杂的非线性模式时面临严重局限，导致抗原识别与靶向分子设计过程缓慢且不精确。随着生物信息学与人工智能的日益融合，计算抗原分析已从预测识别转向生成设计。深度学习算法——如Transformer、图神经网络（GNN）和扩散模型——的进展，使得抗原结合亲和力与三维结构的原子级精度预测成为可能。然而，当前领域仍面临多重挑战：HLA数据存在显著的族群偏差，模型可解释性不足，计算预测与湿实验验证之间存在“生物学鸿沟”，导致临床转化失败率居高不下。此外，HLA-II类分子预测精度系统性落后于HLA-I类、点突变识别能力薄弱、高精度模型计算成本与高通量筛选需求之间的矛盾，以及经典算法缺乏长期维护引发的可重复性危机，均是亟待解决的关键问题。为此，研究人员开展了这项系统性综述研究，旨在梳理AI驱动抗原-MHC相互作用研究的方法论演进、核心任务、临床应用与伦理挑战，为该领域的标准化发展和临床转化提供可行框架。

二、研究内容与结论

研究人员通过系统检索PubMed、Web of Science、Google Scholar和bioRxiv等数据库，纳入2000年至今的相关同行评审论文、高影响力会议论文及高相关预印本，重点关注2020至2025年间报道的主要AI架构。综述系统总结了关键方法学进展与核心数据库资源，分析了抗原-MHC相互作用分析所需的具体核心任务，探讨了AI在肿瘤免疫学与疫苗开发中的临床转化应用，并批判性地审视了HLA数据偏差与模型可解释性等挑战性问题。研究得出以下主要结论：第一，AI技术已推动计算抗原分析从传统机器学习向深度学习、结构建模乃至生成设计持续演进；第二，现有模型在HLA-I类亲和力预测上表现优异，但HLA-II类预测精度仍显著落后；第三，TCR-表位相互作用预测模型在应对点突变引起的细微识别变化时能力有限；第四，数据族群偏差与模型“黑箱”特性严重制约临床转化。研究的重要意义在于为AI驱动的数字免疫学系统标准化发展和精准免疫治疗的临床转化提供了系统性的理论框架与可行路径。

三、关键技术方法

研究人员在综述中系统梳理了该领域采用的主要技术方法，包括：传统机器学习方法（如逻辑回归、随机森林，代表工具LBCEPred，AUC=0.93）；卷积神经网络（CNN，代表工具DeepImmuno-CNN、ImRex）；循环神经网络（RNN）及其变体LSTM、GRU（代表工具DeepHLApan）；Transformer架构（代表工具TransPHLA、TransMut、UnifyImmun、TULIP）；图神经网络（GNN，代表工具Epitope3D、EpiGraph、GraphMHC）；扩散模型（代表工具AlphaFold 3、RFdiffusion）；生成对抗网络（GAN，代表工具DeepImmuno-GAN）；强化学习与闭环优化系统；以及物理启发的滑动Transformer架构（PISTE）。此外，综述还涉及联邦学习等隐私保护技术。在基准测试中，研究人员使用了来自CEDAR、VDJdb、ImmuneCode和dbPepNeo2.0四个国际公共免疫学数据库的21387个经验证的HLA-I结合表位和3580个HLA-II结合表位，并以1:1比例添加随机生成的等长肽段作为阴性对照样本；TCR预测模型评估则使用了包含3440个突变肽-TCR对的深度突变表位扫描数据集。

四、研究结果

数据爆炸与系统免疫学的兴起：研究指出，传统还原论思维已无法应对免疫系统的高度复杂性与动态网络特征，研究者构建了“免疫设定点”概念，强调免疫状态是由遗传、环境和免疫经验共同维持的动态平衡。高通量测序数据的高噪声与稀疏性使传统统计方法失效，必须借助深度学习。NetMHCpan-4.1引入通用-特异性架构、DeepRescore用于降噪，重构了免疫学的现代计算基础。同时，机器人实验平台与主动学习算法结合构建自动化实验室（如BioLab），形成“干-湿实验”闭环。

数据库资源：综述系统梳理了支撑计算抗原分析的核心数据库，包括表位与结合亲和力数据库（IEDB、NetMHCpan数据生态系统）、免疫肽组学数据库（SYFPEITHI等基于质谱的EL数据集）、三维结构数据库（PDB、IMGT/3Dstructure-DB）以及TCR/BCR序列库（VDJdb、McPAS-TCR）。这些互补资源共同构成了AI预测与结构建模的多模态数据基础。

从预测到生成：计算方法的演进：研究将AI在免疫学中的应用划分为几个阶段：2000-2010年以基础数据处理为主；2011-2018年转向特征提取与预测建模，涵盖传统机器学习（逻辑回归、随机森林）和早期基于序列的深度学习（CNN、RNN）；2019-2022年结构建模与机制分析取得重大进展，GNN和扩散模型（AlphaFold 3、RFdiffusion）被引入；2023-2025年进入生成设计与临床转化阶段，强化学习与生成框架构建闭环优化系统（DeepImmuno-GAN、PISTE）。展望2025年后，方法论预计将向大语言模型驱动的智能协作与自主研究转变。

抗原-MHC相互作用分析的核心任务：研究将核心任务分解为三个模块。模块A为结合亲和力预测，研究人员在独立外部数据集上对TransHLA、Mhcflurry、Mhcnuggets、TransPHLA和MixMHC2pred进行了基准测试。结果显示TransHLA在HLA-I和HLA-II任务中均表现最佳（最高ACC和F1），其核心优势在于卓越的特异性；Mhcflurry灵敏度极高但特异性略逊；Mhcnuggets召回率接近100%但精确度和特异性急剧下降，缺乏有效过滤阴性背景噪声的能力。所有模型对HLA-I的预测精度显著高于HLA-II，这归因于HLA-I封闭结合槽与固定肽段长度利于深度学习，而HLA-II开放结合槽与高度可变的肽段长度严重复杂化了核心结合区的特征对齐，且高质量HLA-II质谱数据稀缺并存在人群偏差。此外，研究还揭示了计算免疫学中严重的可重复性危机，源于经典算法缺乏长期维护导致的环境依赖冲突以及分类阈值报告不透明。模块B为TCR-pMHC结构预测与特异性建模，AlphaFold 3在pMHC结合核心预测中达到0.861的高精度，RFdiffusion将能力扩展到原子级全新设计，但高昂的计算成本限制了大规模筛选应用；轻量级模型（LightMHC、TransfIGN）预测速度提升100倍以上，但精度显著下降（结合核心识别精度降至0.417-0.569）。模块C为免疫原性预测，在深度突变表位扫描数据集上对ImRex、iTCep、pMTnet、PanPep、TITAN和TULIP-TCR进行基准测试，结果显示iTCep表现最佳（AUC=0.55，APS=0.45），ImRex紧随其后（APS=0.44），但所有模型性能普遍限于AUC 0.43-0.56范围，Pearson和Spearman相关系数接近零，反映出模型过度依赖局部表位基序识别而忽视原子级空间几何相互作用与抗原加工通路的系统性约束。

分子层面AI模型的局限性：研究指出，现有框架过度依赖静态结合亲和力或局部基序识别的表征，未能纳入抗原加工效率、TCR识别概率、肿瘤微环境异质性、调节性免疫群体、宿主遗传背景及微生物组组成等跨尺度因素，导致计算预测与湿实验验证之间存在显著“生物学鸿沟”，临床转化失败率极高。

五、讨论与结论

讨论部分聚焦于伦理、公平性、隐私与可解释性四大议题。在监管障碍与可解释性方面，深度学习架构固有的“黑箱”特性构成临床转化的重大监管障碍，注意力可视化技术（如TransPHLA、TransfIGN中的注意力图）虽能提供一定解释，但统计相关性与生物学因果之间仍存在深刻鸿沟，未来需从事后解释转向“设计即解释”的内在可解释架构。在数据偏差与公平性方面，现有免疫学数据库呈现深刻的族群偏差，以欧洲等位基因为主，严重低估非洲、亚洲和南美人群，需建立严格的公平性基线（按人群和等位基因分层报告AUC、PPV和校准误差），并通过全球数据联盟和鲁棒迁移学习（如GraphMHC）加以缓解。在隐私保护方面，联邦学习作为去中心化训练方法可有效防止数据泄露并符合隐私法规。研究强调应将公平性、联邦学习与可解释性作为一套相互关联的安全保障措施来讨论，而非孤立议题。

结论部分指出，人工智能作为强大计算工具显著推进了计算抗原分析领域，在预测肽-MHC结合、建模免疫复合物结构以及优化候选抗原和抗体序列方面展现了重要价值。然而，现有技术在实现可靠、广泛的临床应用方面仍面临重大挑战：HLA-II预测精度远落后于HLA-I；模型过度依赖局部表位基序识别而忽视原子级空间几何相互作用；高精度扩散模型计算成本高昂而轻量级模型精度易损；经典算法缺乏维护导致可重复性危机。更为根本的挑战在于静态算法与动态生命体之间的“生物学鸿沟”。未来计算免疫学的发展不应再盲目追求单一预测指标的提升，而应转向跨尺度、多维建模，深度融合分子层面预测与真实系统性免疫动力学；同时构建具有全球人群代表性的无偏数据集，开发与已知免疫机制一致的可解释底层架构。人工智能不应被不切实际地视为实验免疫学的“替代者”，而应作为不可或缺的“互补分析框架”，在计算科学家、免疫学家与临床医生的紧密协作下，严格锚定其在辅助假设生成与合理候选筛选中的角色，并接受严格的生物学验证，数字免疫学才能真正成为造福人类的精准医学基石。