《Biocell》：pHLA-Bi-Mamba: A pan-specific deep learning model for peptide-HLA-Ⅰ binding affinity and eluted ligand prediction
编辑推荐：
本文介绍了一项创新性研究，研究者为解决现有模型在计算复杂性和全局依赖性建模上的局限，开发了基于双向Mamba架构的通用预测模型pHLA-Bi-Mamba，用于准确预测肽-HLA-Ⅰ结合亲和力和洗脱配体。该模型在多个标准测试集上性能达到或超过现有最先进方法，尤其在R2、AUPRC和PPVn等关键指标上表现突出，为大规模免疫表位筛选和个体化免疫治疗提供了高效精准的计算工具。
在人体复杂的免疫系统中，有一类叫做HLA-I（人类白细胞抗原I类）的分子，它们扮演着至关重要的“哨兵”角色。这些分子能将细胞内部产生的蛋白质片段（通常为8-11个氨基酸的肽）呈递到细胞表面，供细胞毒性T淋巴细胞（CTLs）识别。如果这些肽段来自病毒或癌细胞，T细胞就能启动清除程序，消灭这些异常细胞。因此，准确预测哪些肽能够与特定的HLA分子（即肽-HLA-I结合）紧密结合并被成功呈递，是寻找免疫治疗靶点、设计癌症疫苗和进行个体化免疫治疗的基石。
然而，这项任务充满挑战。首先，HLA基因具有极高的多态性，全球已发现超过30,000个等位基因，每个人通常表达6个经典的HLA-I等位基因。这意味着预测模型必须具有“泛等位基因”（pan-specific）能力，能适用于成千上万种不同的HLA分子。其次，肽与HLA的结合并非简单的局部匹配，而是涉及肽段N端、C端及中间位置多个锚定残基与HLA分子抗原结合槽之间复杂的全局物理化学相互作用。以往的深度学习方法，特别是基于Transformer的模型，虽然在学习序列表征方面表现出色，但其计算复杂度随着序列长度呈平方级增长，限制了其对长序列和全局依赖关系的有效建模效率。此外，在现实生物环境中，能被成功呈递的肽段（即洗脱配体，Eluted Ligand, EL）相对于蛋白质降解产生的海量肽片段而言，是极其稀少的“沧海一粟”（通常<0.1%），这使得从高度不平衡的数据中精准识别出真正的结合肽变得异常困难。
为了应对这些挑战，来自南方科技大学医学院/深圳市第三人民医院的研究团队Yao Xuan、Qiang Huang等人，在《Biocell》期刊上发表了他们的最新研究成果。他们巧妙地将一种新兴的、具有线性计算复杂度的双向Mamba架构引入免疫信息学领域，开发了名为pHLA-Bi-Mamba的通用预测模型。该模型首次将双向Mamba用于肽-HLA-I结合预测，旨在以更高的效率和更强的全局依赖建模能力，实现对肽-HLA结合亲和力（Binding Affinity, BA）和抗原呈递概率（EL）的精准、可解释预测。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：1. 数据收集与构建：从多个公共数据库（如NetMHCpan-4.1、BigMHC、IEDB等）收集并整合了大规模的肽-HLA结合亲和力数据（182,223对）和洗脱配体数据（17,980,090对，正负比高度不平衡），并通过从源蛋白中进行虚拟酶切来模拟生物环境生成负样本。2. 模型架构设计：核心是提出了一个双向Mamba模块，该模块通过前向和后向处理并融合隐藏状态，有效捕获肽-HLA序列中的双向全局上下文依赖。模型还包括一个嵌入模块和一个包含语言建模头与任务特定头的预测头。3. 联合训练策略：采用类似BERT的掩码语言建模（MLM）任务与结合预测任务（回归或分类）联合训练的范式，通过复合损失函数（结合损失+MLM损失）优化模型，使其同时学习序列语义和相互作用特征。4. 性能评估与可解释性分析：在独立的IEDB测试集上，与NetMHCpan-4.1、MHCflurry-2.0、BigMHC等多个当前最先进模型进行多指标（如PCC、R2、AUROC、AUPRC、PPVn）综合比较。并利用SHAP（SHapley Additive exPlanations）可解释性方法，结合已知的HLA结合基序和蛋白质晶体结构，分析模型预测的关键残基贡献，验证其生物合理性。
2.1. pHLA-Bi-Mamba架构简介
pHLA-Bi-Mamba是一个序列驱动的模型，包含嵌入模块、双向Mamba模块和预测头三部分。其设计支持两种预测模式：结合亲和力预测（pHLA-Bi-Mamba-BA）和抗原呈递概率预测（pHLA-Bi-Mamba-EL）。模型的训练采用结合任务与掩码语言建模任务联合优化的策略，旨在捕获肽-HLA序列的上下文依赖。对于EL预测，研究特意使用了高度不平衡的数据集进行训练，以模拟生物体内抗原呈递的真实稀疏性，从而让模型学习到更为保守的决策边界，提高在实际应用（如新抗原筛选）中的阳性预测值。
2.2. pHLA-Bi-Mamba-BA准确预测结合亲和力并捕获突变效应
在结合亲和力预测任务上，pHLA-Bi-Mamba-BA在独立测试集上展现了卓越的性能。与NetMHCpan-4.1-BA和MHCflurry-2.0相比，它在决定系数R2（0.220）上显著超越对手（分别为0.107和-0.004），表明其预测值能解释更多实验测量值的方差。此外，通过单点虚拟突变扫描分析，模型成功捕捉到肽段中关键锚定残基（如9肽的第2位和第9位）对结合亲和力的主导影响，与已知的生物学知识一致，证明了模型能够有效识别位置特异性的残基贡献。
2.3. pHLA-Bi-Mamba-EL准确预测肽呈递并提供可解释性见解
在抗原呈递预测任务上，pHLA-Bi-Mamba-EL同样表现优异。在包含26,294个样本的测试集上，其AUROC（0.961）与其它主流模型相当，但在更能反映不平衡数据下阳性样本识别能力的AUPRC（0.605）和PPVn（在top-341预测中为0.64）指标上，均优于所有对比模型（如MixMHCpred-3.0、BigMHC等）。这突显了该模型在从海量候选肽中优先筛选出真实配体的实用价值。模型校准分析也显示其预测概率具有高可靠性。利用SHAP进行的可解释性分析进一步表明，模型能够正确地将高贡献度归因于已知的经典锚定位点（如P2和PΩ），并且其归因结果与相应肽-HLA复合物的晶体结构观察到的关键相互作用位点高度吻合，为模型的预测提供了结构生物学的合理解释。
综上所述，pHLA-Bi-Mamba研究得出以下核心结论：该工作成功开发了首个基于双向Mamba架构的肽-HLA-I通用预测模型。该模型在计算效率上，得益于Mamba的线性复杂度，为未来扩展到更长序列（如全长MHC）奠定了基础；在预测性能上，其在结合亲和力预测的R2指标，以及在抗原呈递预测的AUPRC和PPVn指标上均达到或超越了当前最先进水平，尤其在识别高度不平衡数据中的稀有结合子方面优势明显；在模型可解释性上，通过突变扫描和SHAP分析，证实模型能够捕获与生物学知识和结构证据一致的肽-HLA相互作用关键决定因素。
在讨论部分，作者也指出了当前研究的局限性，例如模型目前仅支持人HLA-I类分子，未涵盖MHC-II类或其它物种；使用了HLA伪序列而非全长序列；以及训练数据中负样本可能存在的标签噪声等。未来的工作可以朝扩展至HLA-II类、整合更多样化的实验数据（如免疫肽组学）、使用全长MHC序列等方向努力。
这项研究的重要意义在于，它不仅为肽-HLA结合预测领域提供了一个高性能、高效率且可解释的新工具，更展示了双向Mamba架构在建模生物序列全局相互作用方面的巨大潜力。pHLA-Bi-Mamba的推出，将有力推动大规模免疫表位筛选、新抗原发现、疫苗设计及个体化免疫治疗等领域的计算研究与实践应用，其源代码和数据集已开源，可供全球科研人员使用和进一步开发。
