《Frontiers in Immunology》：Structural quality-tier assessment for TCR-pMHC functional enrichment
编辑推荐：
T细胞受体（T cell receptor, TCR）对抗原肽-主要组织相容性复合物（peptide-MHC complexes, pMHC）的识别是适应性免疫的核心。TCR-pMHC相互作用的结构洞察对于理解抗原特异性和T细胞功能至关重要。然而，受限于实验解
T细胞受体（T cell receptor, TCR）对抗原肽-主要组织相容性复合物（peptide-MHC complexes, pMHC）的识别是适应性免疫的核心。TCR-pMHC相互作用的结构洞察对于理解抗原特异性和T细胞功能至关重要。然而，受限于实验解析结构的稀缺性（截至2026年1月PDB中仅有275个TCR-pMHC I类结构），该领域的进展依然有限。尽管蛋白质结构建模工具发展迅速，但由于互补决定区（complementarity-determining regions, CDR）环的超变性和构象灵活性，TCR的准确结构建模仍具挑战。此外，缺乏不依赖实验参考比较的可靠质量评估策略。为此，研究人员通过在PDB中重新计算所有实验确定的TCR-pMHC I类复合物，对四种通用（AlphaFold2.3-Multimer、AlphaFold3、Boltz-2、Chai-1）和三种TCR特异性（TCRmodel2、tFold-TCR、TCRdock）蛋白质建模算法进行了基准测试。AlphaFold3在各指标中表现出优越性能（平均TCR-iRMSD = 3.59 ?且DockQ = 0.54），而其他算法的准确性较低。基于AlphaFold3结构，研究人员提出了一种可扩展且可解释的多层感知机（ML）框架，用于在无匹配实验参考的情况下对TCR-pMHC结构模型进行质量评估。研究人员训练了一个随机森林（Random Forest）分类器，整合了从265个实验确定的PDB TCR-pMHC I类复合物的1325个建模结构中衍生的多种置信度指标（pLDDT、ipTM、ipSAE、iPAE、iPDE、pDockQv1-2）。该分类器能可靠地将结构模型分层为低质量、可接受质量、中等质量和高质量层级（定义依据是与实验参考结构的比较），其性能优于单一指标。这些质量层级预测进一步能够对高置信度TCR-pMHC相互作用进行优先级排序。这在两个保留数据集（共计4090个AlphaFold3建模的TCR-pMHC复合物，20450个模型，每个复合物5个模型）中得到验证：重新评估的VDJdb TCR-pMHC I类复合物集（n = 606）和参考IMMREP23数据集（n = 3484）。研究人员分析了第一个数据集以减少VDJdb中错误注释的假阳性TCR-pMHC相互作用，第二个数据集则用于在更高结构质量模型中富集生物学验证的TCR-pMHC相互作用（相对于合成阴性对照）。总之，该研究的结构质量层级框架提供了一种可扩展且可解释的方法，补充了TCR-pMHC I类复合物的结构建模和功能分析，在T细胞免疫学和基于TCR的免疫治疗中具有直接的转化应用。
研究背景与概述
T细胞受体（T cell receptor, TCR）识别抗原肽-主要组织相容性复合物（peptide-MHC complexes, pMHC）是适应性细胞免疫的中心事件。TCR-pMHC界面的结构与生物物理学洞察对于理解识别特异性及T细胞活化至关重要。然而，目前实验测定TCR-pMHC结构仍具挑战，截至2026年1月PDB（Protein Data Bank）中仅沉积了275个TCR-pMHC I类复合物。尽管蛋白质结构预测算法如AlphaFold系列及TCR特异性工具（如TCRmodel2、TCRdock）取得进展，但由于互补决定区（complementarity-determining regions, CDR）环的超变性与构象柔性，准确建模依然困难。此外，现有置信度指标（如pLDDT、ipTM）在免疫复合物中判别力有限，且缺乏不依赖实验参考的可靠质量评估策略。数据库中如VDJdb存在假阳性注释问题。为此，研究人员开展了一项研究，旨在基准测试主流建模工具在TCR-pMHC上的性能，并开发一种无实验参考的结构模型质量分层框架，以筛选高置信度结构并富集功能性TCR-pMHC相互作用。该研究发表于《Frontiers in Immunology》。
主要关键技术方法
研究人员从PDB检索265个实验解析的人源或鼠源TCR-pMHC I类复合物作为基准数据集，排除非经典对接模式。选取四种通用建模工具（AlphaFold-Multimer v2.3、AlphaFold3、Chai-1、Boltz-2）和三种TCR特异性工具（TCRmodel2、tFold-TCR、TCRdock）对各复合物生成5个模型。使用TCR-iRMSD（TCR界面根均方偏差）和DockQ评分与实验结构比对以定义真实质量层级（高质量HQ、中等质量MQ、可接受质量AQ、低质量LQ）。提取模型内置置信度指标（pLDDT、ipTM、ipSAE、iPAE、iPDE、pDockQv1-2）训练随机森林（Random Forest）分类器进行无参考质量分层。外部验证使用TCRvdb数据集（606个复合物，含GLCTLVAML与YLQPRTFLL表位）和IMMREP23数据集（3484个复合物，含合成阴性对照）。结构一致性分析通过计算副本间中位成对指标及PCA（主成分分析） docking几何分析完成。
研究结果
2.1 Benchmark of protein modelling tools reveals AlphaFold3’s superior performance on TCR-pMHC class I complexes beyond its training data
研究人员对265个复合物进行基准测试，发现几乎所有工具在训练截断日期后的结构（post-cutoff）性能均下降，但AlphaFold3泛化能力最强，在post-cutoff集上平均TCR-iRMSD为3.59 ?，DockQ为0.54，95%预测位于AQ-HQ范围，HQ占比13%。Boltz-2与Chai-1在pre-cutoff表现佳但post-cutoff急剧下降至HQ仅3%或0%。tFold-TCR持续处于LQ。AlphaFold3的高层级（HQ、MQ）模型副本间一致性高（中位成对TCR-iRMSD低、DockQ高），且其对接几何更接近实验参考的典范模式。
2.2 Combining modelling confidence metrics enhances structural quality classification for TCR-pMHC class I models
研究人员评估了单一置信度指标与真实层级的关联，发现pDockQ2与iPDE相关性最强（Spearman ρ达0.84与0.82），但单一指标分布重叠导致判别力不足。通过穷举组合阈值过滤虽能提高特异性，但召回率低且依赖手动阈值。结果表明整合多指标优于单指标，但仍受限于阈值依赖与二元分类的局限性。
2.3 Random forest provides a probabilistic and interpretable structural quality classification for TCR-pMHC models
研究人员训练随机森林多类分类器整合所有置信度指标。在100次独立训练中，区分LQ vs 其余的精确率0.99、召回率0.82；LQ/AQ vs MQ/HQ精确率0.95、召回率0.87；LQ/AQ/MQ vs HQ精确率0.77、召回率0.84。混淆矩阵显示极端层级（LQ与HQ）识别正确率分别为88.6%与84.4%，误分类多发生于相邻层级且无跨级误判。SHAP（Shapley Additive exPlanations）分析表明pDockQ2与iPDE对分层贡献最大，HQ层级中iPAE与CDR3α/β pLDDT重要性提升。
2.4 Quality tier stratification enriches for experimentally validating TCR-pMHC interactions in TCRvdb
在TCRvdb数据集（606个复合物）中，研究人员发现LQ模型主要关联非验证相互作用（Odds Ratio OR=0.12），MQ与HQ富集验证相互作用（MQ OR=9.33）。排除LQ后精度从0.50升至0.72，仅保留HQ时精度达1.00（21个复合物全为验证阳性）。ROC曲线显示MQ与HQ概率区分验证状态的AUC分别为0.82，AQ接近随机（0.43），LQ无判别力（0.18）。
2.5 IMMREP23 dataset shows enrichment of positive interactions amongst higher-quality TCR-pMHC structural models
在IMMREP23数据集（3484个，正负比约1:5）中，大多数模型为LQ（2562），HQ仅9个。正向复合物随质量层级提升富集，LQ主要关联阴性（OR=0.25），MQ强关联阳性（OR=8.82）。排除LQ后精度从0.17升至0.34，保留MQ/HQ升至0.59，HQ精度1.00。MQ与HQ概率的ROC AUC在未见过的表位（未见于PDB）中仅适度下降（0.67 vs 0.70），显示一定泛化能力。
讨论与结论总结
研究人员讨论指出，AlphaFold3在TCR-pMHC预测上优于其他通用及TCR特异性方法，尤其在训练集外结构上保持超90%可接受质量预测。副本间一致性可作为可靠性代理。单一置信度指标因分布重叠不足以判别质量，手动阈值组合易过拟合且缺乏连续性。随机森林框架提供概率化、可解释（SHAP）的分层，界面指标（pDockQ2、iPDE）为核心驱动因素。质量层级不仅反映结构置信度，还与功能验证相互作用富集相关：TCRvdb中LQ关联假阳性，MQ/HQ富集真阳性；IMMREP23中高层级富集正向互作甚至对未见表位有效。该框架适用于无实验结构场景，可过滤VDJdb等数据库的低质模型，辅助下游基于结构的特异性预测。局限在于CDR柔性难捕捉、准刚性处理限制动力学状态、置信度非直接能量计算、训练集规模偏小可能偏向典范几何。未来可整合分子动力学或多种子AF3采样。结论为：整合结构建模与数据驱动质量评估增强了TCR-pMHC互作的结构与功能解读，随机森林分类器可扩展地精炼大型结构数据集并过滤低置信度模型，为基础免疫信息学与基于TCR的转化治疗提供工具。
