基于细胞的动力学框架实现TCR特异性预测

《Signal Transduction and Targeted Therapy》：A cell-based kinetic framework enables TCR specificity prediction

　　

从序列预测T细胞受体（TCR）特异性的能力可能变革免疫治疗、疫苗开发及对免疫识别的理解。然而，研究进展一直受“边缘案例”影响，在这些案例中，特异性似乎可以通过简化描述符（如序列基序或结合亲和力与功能活化之间的相关性）来捕获。尽管这些情况具有信息价值，但不能代表TCR识别的一般模式。关注此类案例导致了领域内的偏移，实验检测设计与计算建模越来越依赖非代表性信号，从而限制了跨抗原与TCR的通用性。研究人员认为，这种偏移源于缺乏TCR特异性的明确生物物理定义，以及持续依赖不适合捕捉此特性的平衡结合检测。这些限制传播到训练数据集中，约束了预测模型的性能与通用性。为解决这些问题，研究人员引入三个关键元素。首先，开发了一种基于细胞的检测方法，用于在生理环境中定量测量TCR–pMHC结合动力学。其次，引入了一个解释这些数据的机械框架，表明广泛使用的可逆配体–受体模型在一般情况下不足，并提出TCR循环模型作为最小系统级描述。第三，描述了一种生成多重化、高通量数据集的策略，并将机械建模与机器学习整合。综上所述，这项工作为基于机械原理且可扩展的TCR特异性预测方法奠定了基础。

**研究背景、问题与开展原因**
T细胞受体（TCR）与肽–主要组织相容性复合体（pMHC）相互作用的特异性预测是免疫治疗、疫苗开发及基础免疫学中的核心挑战。长期以来，研究多依赖平衡结合检测（如多聚体染色）或序列相似性分析（如基序识别），但这些方法存在根本局限：平衡结合无法区分特异性与非特异性结合，因为亲和力本身不足以定义TCR激活；而基于序列的无监督聚类仅在少数边缘案例中有效（如存在强基序的肽），在泛抗原背景下表现差。这导致训练数据集包含大量假阳性/假阴性，限制了机器学习模型的泛化能力。因此，研究人员认为需要重新定义TCR特异性的生物物理基础，并引入直接测量结合动力学（而非平衡结合）的方法，以捕获与功能激活更相关的参数。

**研究内容、结论与意义**
研究人员开发了一种基于细胞的功能检测，利用单体pMHC试剂在生理条件下（保留CD8共受体）定量测量TCR–pMHC结合动力学（结合速率k_on、解离速率k_off）及早期信号（CD3ζ磷酸化）。通过分析OT-I/OVA系统及公开数据，发现经典可逆配体–受体模型无法解释观察到的“驼峰形”结合曲线，因此提出“TCR循环模型”：受体在与配体结合后经历配体诱导的失活状态（R_a→R_n），随后通过放松步骤恢复活性（R_n→R_a）。该模型在多个小鼠及人类TCR–pMHC系统中得到验证，并能从结合时间曲线中提取d_on、k_off、k_rel（放松速率）等参数。研究发现早期结合特征（0–5分钟）比晚期结合更能预测功能亲和力，且k_off与pMHC诱导的TCR磷酸化及CD8依赖程度高度相关。这一框架为从序列预测结合动力学参数（而非直接预测功能）提供了可扩展路径，有望通过多重化、文库对文库策略生成大规模训练数据，整合机械模型与机器学习。论文发表在《Signal Transduction and Targeted Therapy》。

**主要关键技术方法**
1. **基于细胞的单体pMHC动力学检测**：利用UV裂解肽交换制备荧光标记的单体pMHC，在4°C下与CD8⁺T细胞孵育，通过流式细胞术在不同时间点固定并测量结合信号，同时检测CD3ζ磷酸化（pCD3ζ Tyr142）作为早期激活指标。
2. **“TCR循环”生物动力学模型**：从可逆配体–受体模型出发，引入配体诱导的受体失活与放松步骤，通过解析微分方程拟合结合时间曲线，提取k_on、k_off、k_rel三个参数。
3. **外部验证与数字化数据分析**：利用公开文献中来自多个独立实验室的小鼠及人类TCR–pMHC系统（如murine 2C、human A2等），通过数字化工具提取结合时间曲线，拟合模型并与独立解离测量结果比较。
4. **功能亲和力检测**：通过IFNγ EC₅₀评估OT-I T细胞对不同OVA变异肽（N4、T4、V4）的功能反应，并在CD8阻断条件下验证。
5. **自动化与多重化策略**：利用自动化液体处理平台实现高通量时间点采样，并提出基于条形码的文库对文库方案（未在本研究中实施，但作为未来方向）。

**研究结果**
**1. 用平衡结合作为特异性度量与预测建模的金标准存在问题**
对公开聚类数据（Leary et al.）的再分析显示，超过70%的数据集产生不纯聚类（混合不同肽特异性TCR）。在IMMREP_2022基准数据集中，仅4/17的肽特异性库存在强CDR3β序列基序，且基序携带TCR仍分散在多聚类中。多种序列相似性度量（ESM2嵌入、BLOSUM62、tcrdist3）均显示TCR与不同肽的相似性可能高于与同肽TCR的相似性，说明序列相似性不能可靠泛化。

**2. TCR-pMHC结合动力学作为预测特异性的基础**
开发的单体流式细胞检测重复了以往报告中驼峰形结合曲线。通过模型比较，发现可逆两态模型不能拟合此类曲线，而添加受体失活/放松步骤的“TCR循环”模型表现最优。从OT-I与N4（高特异性）、T4（中）、V4（低）及UVpep（非特异性）的实验中提取了k_on、k_off、k_rel。抗CD8α抗体降低k_on与k_off，且对N4影响最大（Δk_on最大），符合CD8共受体依赖模式。

**3. 早期结合动力学预测功能亲和力**
前5分钟的峰值平均荧光强度（MFI）与IFNγ EC₅₀高度相关，而晚期（20–30分钟）特征相关弱。k_on与功能亲和力的个体相关最强，但k_off与pTCR信号相关性更显著（Pearson ρ=0.49, p=0.10）。模型模拟显示不同pMHC浓度下结合曲线可预测，且k_on/k_off空间可区分特异性与非特异性相互作用。

**4. TCR循环模型在外部数据中验证**
对来自3个独立实验室的6个TCR–pMHC系统（含不同温度、核心受体突变等）进行拟合，模型准确重现结合曲线，且推断的k_off与单独解离测量值高度一致（Pearson R>0.94）。比较显示全TCR循环模型R2更高、AIC更低，支持放松步骤的机械必要性。

**总结讨论与结论**
讨论部分强调当前ML方法失败的主因是训练数据缺乏概念分辨率——平衡结合检测无法反映TCR激活所需的动力学复杂性。TCR循环模型提供系统级描述，虽未指定具体分子机制，但与酪氨酸激酶抑制剂（如达沙替尼）增强TCR–pMHC稳定性等观察一致。未来方向包括发展从序列预测k_on/k_off的ML模型，并通过多重化动力学检测生成大规模训练集。研究结论：TCR特异性本质上由结合动力学（而非静态度量）决定；早期结合特征优于晚期；TCR循环模型可作为整合动力学参数与机器学习的基础框架，为可扩展的预测提供途径。