《Briefings in Bioinformatics》：Germline dependence in protein language model retrieval of adaptive immune receptors
编辑推荐：
摘要（专业译文）
蛋白质语言模型（PLM）正越来越多地用于表示适应性免疫受体，但其相对于经典序列比较的优势仍不清楚。研究人员在四个B细胞与T细胞受体数据库中，针对抗原特异性近邻检索任务，对通用型与受体特异性PLM与经典序列比较方法进行了基准评测。仅使用CDR3
摘要（专业译文）
蛋白质语言模型（PLM）正越来越多地用于表示适应性免疫受体，但其相对于经典序列比较的优势仍不清楚。研究人员在四个B细胞与T细胞受体数据库中，针对抗原特异性近邻检索任务，对通用型与受体特异性PLM与经典序列比较方法进行了基准评测。仅使用CDR3（互补决定区3）序列时，经典方法持续优于通用PLM：BLOSUM62与Levenshtein在检索准确率上分别超出ESM2变体7至12个百分点。在受体特异性模型中，仅SCEPTR以及在某一个数据库上的TCR2vec可达到上述基线水平，但二者均额外编码了V基因信息。AntiBERTa2与IgBert未能弥合性能差距。使用完整可变域（variable domain）序列时，比对方法与PLM性能趋于收敛。通过胚系回复（germline-reversion）、区域掩蔽与V基因对照分析，研究人员发现该收敛在很大程度上反映了保守的胚系来源上下文（尤其是V基因身份）的影响，而缺乏证据表明模型从CDR中改进提取了抗原特异性信息。胚系依赖同样存在于SCEPTR与TCR2vec中。高度突变的HIV-1抗体构成了特定场景下的例外。随机训练-测试划分得到的检索准确率比克隆感知（clone-aware）划分高15至28个百分点，提示克隆泄漏造成了过于乐观的性能估计。上述发现强调：在评估免疫受体表示时，需设置强序列比较基线并引入显式胚系对照，同时将克隆感知划分作为最低基准标准。
论文解读
研究背景与问题提出
适应性免疫依赖B细胞受体（BCR，即抗体）与T细胞受体（TCR）识别抗原。核心计算任务是“抗原特异性受体检索”：给定查询受体序列，从参考库中找出结合相同抗原或表位的受体。传统方法基于序列比对，如BLOSUM62替换矩阵与Levenshtein编辑距离；近年蛋白质语言模型（PLM）将受体编码为嵌入向量，再以向量相似度检索。免疫受体的CDR3由V(D)J重排与 junctional 插入缺失产生，BCR还经历体细胞超突变（SHM），这类非进化多样性是否能被以进化蛋白为主的PLM有效表示，存在明显疑问。已有研究提示胚系偏倚（germline bias）与基准数据泄漏风险，但缺乏跨数据库、跨表示层级与严格克隆控制的系统证据。
研究人员通过开展基准评测发现：在CDR3层级，冻结零样本PLM不及经典比对；在完整可变域层级，性能收敛主要来自胚系相关上下文，而非更好的抗原识别表征；随机划分会严重高估性能。研究意义在于纠偏——PLM在免疫受体检索中的“进步”常被错误归因，需重新设计评测标准。
主要关键技术方法
研究人员构建近邻检索基准，评价指标为Recall@1（R@1），并在平局时采用期望R@1。序列表示覆盖CDR3、互补位（paratope，CDR1–3）、完整可变域、VJ克隆型与V克隆型。比对方法包括Levenshtein、Smith–Waterman结合BLOSUM62、BLAST与TCRdist；PLM涵盖通用ESM2（150M/650M/3B）与ESM-C-300M，抗体专用AntiBERTy、AbLang、AntiBERTa2、IgBert，TCR专用TCR-BERT，以及对比或相似度预训练的SCEPTR、TCR2vec/CDR3vec。数据来自四个公开库：IEDB（抗体重链）、VDJdb（TCRβ）、SAbDab（配对抗体）、McPAS-TCR（TCR），均做抗原标签标准化。关键设计为克隆感知划分：按CDR3归一化Levenshtein相似度≥0.95做单连锁聚类，整簇划入参考或查询集，20个随机种子取均值，并以嵌套bootstrap估计置信区间。
研究结果
克隆感知划分是先决条件
对比随机划分与克隆感知划分，随机划分使ESM2与比对的R@1均虚高15至28个百分点，说明近重复克隆泄漏让“新受体检索”被估得过于乐观，克隆感知划分应作为最低标准。
CDR3检索中比对优于PLM
在四个数据库上，仅输入CDR3时，BLOSUM62与Levenshtein持续领先；ESM2各规模均未超越，抗体专用与TCR专用零样本模型也未能弥合差距。模型规模、领域专用化与更新架构都不是主要原因，缺陷来自嵌入本身而非检索度量。
完整长度下PLM与比对因胚系信号收敛
表示层级从CDR3到互补位再到完整可变域：比对在互补位达峰，加入框架区反而略降；PLM只在加入保守框架后才追平。胚系回复实验将框架替换为推断胚系序列而保留天然CDR，可解释PLM从互补位到全域名约三分之二的提升；V基因家族富集分析显示检索结果高度共享V基因，但仅给V基因不足以检索。结果表明全序列“提升”多来自低维胚系身份捷径。
高度突变HIV-1抗体中的方向性例外
多数抗原下比对占优，唯HIV-1包膜抗体中ESM2领先约21个百分点；排除预训练泄漏后优势仍在。该例外与强胚系偏离相关，但是特定场景假设，不宜推广为通用SHM机制。
通用性与鲁棒性
TCR配对链、SCEPTR与TCR2vec结果一致：SCEPTR在CDR3可匹敌比对，但限制同V基因后优势消失；TCR2vec全长增益也主要来自V上下文。TCRdist因显式使用胚系来源CDR1/2/2.5而强，但本质仍胚系知情。结果在长度分层、表位标签与克隆阈值扰动下稳健。
讨论与结论翻译
研究人员指出，完整可变域层级的收敛主要由胚系依赖驱动；在基准中，这种依赖可成为“捷径”：零样本PLM借助框架中的保守胚系相关信号追平比对，却并未证明从CDR学到更高阶抗原特异性信息。术语上，“胚系依赖”指一般现象，“捷径”仅指该基准机制，不否定胚系信息的生物学意义。V基因预言机未优于全长比对，而胚系回复可复现大部分PLM增益，说明全长改善不能被解读为CDR层级判别力提升。HIV-1抗体是主要例外，提示PLM或对高度进化抗体谱系更有用。结论为：冻结零样本PLM并不天然优于序列比对；免疫受体表征评测必须设强比对基线、显式胚系对照与克隆感知划分，否则易把胚系捷径误认为语义理解。
这篇论文解读已完成，接下来可以选择一个方向继续深化：
