基于结构的TCR-pMHC结合预测及对未见肽段的泛化能力

《npj Drug Discovery》：Structure-based TCR-pMHC binding prediction and generalization to unseen peptides

　　

T细胞受体（TCR）与肽结合的主要组织相容性复合体（MHC）之间的相互作用复杂地影响着T细胞介导的适应性免疫应答的功能特异性。因此，在免疫治疗中的意义促进了不断增长的用于TCR识别的计算方法，由于蛋白质结构建模的进展，这些方法最近吸引了基于结构的方法。尽管可以获取预测结合界面的结构信息，但基于图神经网络（GNN）的TCR-pMHC结合特异性分类器对于含有未见肽段的样本往往表现出较差的准确性。在这项工作中，研究人员全面评估了关键影响使用计算预测结构训练的分类器泛化性能的潜在因素。具体而言，研究人员的实验侧重于分析此类预测因子对TCR-pMHC界面相互作用特征和结构不确定性的敏感性。基于该分析，研究人员展示了如何通过辅助训练目标设计分类器架构，以提高对模型训练期间尚未见过的新肽段的泛化性能。总体而言，研究人员的工作从GNN分类器范式的不同角度强调了未见肽段泛化的挑战，展示了当前最先进方法在泛化格局中的优缺点。

**研究背景与问题**
T细胞受体（TCR）与肽结合的主要组织相容性复合体（MHC-I）的相互作用是CD8⁺ T细胞介导适应性免疫应答的核心，对病毒、癌症和自身免疫病的免疫治疗具有重要意义。现有计算方法大多依赖序列信息，无法直接利用TCR-pMHC复合物的三维结构特征。随着蛋白质结构建模技术的进步，基于图神经网络（GNN）的结构方法逐渐兴起，但现有GNN分类器对含有未见肽段（unseen peptides）的样本准确率极低。这一泛化性能瓶颈源于训练数据质量、结构预测的不确定性以及分类器设计的局限性。为此，研究人员系统评估了影响计算预测结构训练的分类器泛化性能的关键因素，旨在提升对未见肽段结合的预测能力。该研究发表在《npj Drug Discovery》。

**主要技术方法**
研究基于Slone等（2023）公开的19282个TCR-pMHC样本数据集（init struct），其阳性样本来自McPAS-TCR、VDJdb、IEDB和10x Genomics数据库，阴性样本通过TCR交换策略扩充；结构由TCRpMHCmodels和ImmuneScape预测。研究进一步生成了Rosetta松弛（relaxed struct）和TCRmodel2（tcrmodel2 struct）两种结构变体。采用两种图编码器——等变图神经网络（EGNN）和边缘变量变换卷积（EVTConv），构建单编码器与双编码器分类器。双编码器同时编码TCR-pMHC全图和TCR-MHC子图，通过语义损失（semantic loss）强化肽段相关交互特征。此外，引入基于Rosetta相互作用能的偏好对训练（preference data training）和HLA类型嵌入。

**研究结果**
- **Evaluation with peptides unseen in training**：构建5个等量样本的测试集簇，采用10折交叉验证。双编码器（特别是EGNN）在部分簇中显著提升ROC-AUC，但所有分类器在簇5中均接近随机水平（0.5），表明GNN方法对未见肽段泛化存在固有挑战。
- **Influence of peptide in structure-based prediction**：通过推理时屏蔽肽段节点，发现肽段在簇1-3中贡献显著，而在簇4-5中影响较小，提示不同测试集对肽段信息的依赖程度不同。
- **TCR-pMHC vs TCR-MHC vs TCR-peptide: what matters more?**：分别训练仅用TCR-MHC或TCR-peptide子图的分类器。簇1-2中TCR-MHC足够，但簇3中TCR-MHC表现下降，簇4-5中MHC节点对某些编码器至关重要，表明各交互类型的重要性因簇而异。
- **Impact of varying degree of utilization of TCR-MHC context**：将TCR-MHC嵌入作为全局特征或节点MLP参数条件，过强依赖TCR-MHC会损害簇4-5的性能，而双编码器通过语义损失平衡了交互重要性。
- **Influence of structural quality for generalization**：使用Rosetta松弛或TCRmodel2结构训练后，泛化性能波动，跨域评估（训练与测试结构来源不同）显示EGNN（单编码器）对结构变化更敏感，而其他模型在簇1-3中相对稳健。
- **Avenues for improving the generalization performance**：针对簇5，引入HLA类型嵌入和基于Rosetta能量（interaction energy）的偏好对训练，中位ROC-AUC略有提升，但仍接近随机，提示辅助训练目标（auxiliary training objectives）的潜力。
- **Model-derived importance score and experimental motif**：分析9PBG和9PBH复合物，不同GNN模型对关键肽段残基的关注区域不同，EGNN模型更符合实验结合基序（如MLA段），EVTConv模型则偏向MHC交互区域，显示模型决策基础的差异。

**讨论与结论**
讨论部分指出，GNN分类器的泛化性能对图编码器类型和交互子图选择高度敏感，双编码器能平衡各类交互，但不足以解决簇5的难题。结构预测的不确定性导致了泛化性能的波动，而偏好对训练虽能利用生物物理能量信息，但存在样本偏差。未来需考虑TCR-pMHC相互作用的动态特性（如柔性catch-bond）和分子动力学模拟，以及预训练图编码器或大规模结构数据集（如TCR结构数据库）的发展。研究结论翻译如下：
GNN已被广泛用于捕获分子间相互作用的结构特征。研究人员评估了其在预测未见肽段TCR-pMHC结合特异性这一挑战性任务中的潜力，其中泛化问题因多样化的结合机制和有限的实验结构而加剧。希望用不同GNN分类器获得的计算实验发现以及生成的数据集，能推动进一步改进基于预测TCR-pMHC结构的方法的预测准确性。