综述：利用生成式人工智能的Neo抗原疫苗工程：从肿瘤抗原发现到个性化构建设计及转化验证

《Biotechnology Advances》：Generative AI-enabled neoantigen vaccine engineering: From tumor antigen discovery to personalized construct design and translational validation

　　•生成式人工智能将新生抗原疫苗的重心从预测转向设计。
•混合模型在免疫学限制下优化新生表位组合。
•肿瘤环境在HLA结合评分之外指导疫苗设计。
•多表位和mRNA构建是人工智能优化的关键目标。
•免疫肽组学为验证和安全筛选提供依据。

**引言**
癌症仍然是全球主要的健康挑战，2022年全球约有2000万新病例和970万癌症相关死亡（Bray等人，2024年）。尽管手术、放疗、化疗、靶向治疗和免疫检查点阻断显著改变了癌症治疗方式，但在许多晚期或难治性实体瘤患者中实现持久的肿瘤特异性免疫控制仍然困难，这突显了需要更精确的免疫导向治疗模式（Mirzayans和Murray，2022年）。治疗性癌症疫苗旨在诱导或增强抗肿瘤T细胞反应，因此是建立抗原特异性和持久抗肿瘤免疫的重要策略（Pan等人，2024年）。然而，治疗性癌症疫苗必须在由免疫编辑、免疫逃逸机制和免疫抑制微环境塑造的肿瘤内发挥作用，这些因素都可能限制疫苗诱导的抗肿瘤免疫。在肿瘤进展过程中，癌细胞会经历免疫编辑并获得减少免疫识别的能力，同时肿瘤微环境富含免疫抑制细胞、抑制性信号通路以及阻碍有效T细胞渗透的屏障，包括异常的肿瘤血管、密集的细胞外基质重塑和不利的趋化因子梯度（Fan等人，2023年；Kaczmarek等人，2023年）。早期的疫苗策略主要针对共享的肿瘤相关抗原，其中许多是异常表达的自身抗原，因此受到中枢和周围耐受性的限制。这一限制减少了高亲和力肿瘤反应性T细胞的可用性，部分解释了为什么针对这些抗原的疫苗诱导的免疫反应往往无法转化为持久的临床益处（Fan等人，2023年）。尽管Sipuleucel-T的获批为临床实践中的治疗性癌症疫苗提供了概念验证，但早期癌症疫苗的开发仍受到抗原选择、免疫耐受性和肿瘤介导的免疫抑制的限制（Guo等人，2013年）。

肿瘤新生抗原提供了一类更具肿瘤特异性的疫苗靶标。这些抗原来源于肿瘤特定的基因或转录组改变，如非同义体细胞突变、插入和缺失、基因融合或异常剪接事件，并可以在癌细胞表面被加工并呈递为肽-HLA复合物（Sahin和Türeci，2018年；Huber等人，2024年）。由于新生抗原通常不存在于正常组织中，且不太可能受到中枢免疫耐受性的影响，它们可以被T细胞识别为非自我抗原（Sahin和Türeci，2018年）。这一生物学原理推动了个性化肿瘤新生抗原疫苗的发展，旨在诱导针对肿瘤衍生突变表位的患者特异性T细胞反应。早期临床研究表明，个性化肽和RNA新生抗原疫苗在黑色素瘤中的可行性、安全性和免疫原性，而最近针对胰腺癌和切除的高风险黑色素瘤的个体化mRNA新生抗原疗法研究显示出了令人鼓舞的转化潜力（Ott等人，2017年；Rojas等人，2023年；Sahin等人，2017年；Weber等人，2024年）。尽管取得了这些进展，但准确的新生抗原鉴定仍然是癌症免疫治疗的中心瓶颈。目前的新生抗原发现策略依赖于越来越复杂的技术，然而现有证据表明，只有少数计算命名的候选者最终被验证为自然呈递的并且能够诱导可测量的T细胞反应（Vitiello和Zanetti，2017年）。当前的免疫基因组学和蛋白质基因组学新生抗原发现工作流程通常包括肿瘤-正常组织测序、转录组分析、HLA分型、肽加工和HLA呈递预测，随后通过计算排名候选突变肽以评估其适合个性化疫苗配方的程度（Chen等人，2021年；Huber等人，2024年；Hundal等人，2020年）。这些工作流程提高了那些更可能被表达、加工和自然呈递的候选者的优先级。然而，大多数现有方法仍然以预测和排名为中心。它们主要评估预定义的突变衍生肽，而不是优化抗原组成、疫苗形式、可制造性和临床转化。新生抗原疫苗开发面临类似的挑战：尽管该领域吸引了大量关注并迅速发展，但广泛适用的临床有效性仍有待确立（Katsikis等人，2024年）。同时，机器学习、深度学习和大规模生物序列技术的进步重塑了计算新生抗原发现。现有的新生抗原工具和肽-MHC预测方法主要以预测为中心：它们使用基于肽-HLA结合和配体呈递数据的统计或判别模型来估计HLA结合亲和力、呈递可能性，更具挑战性的是T细胞免疫原性。深度学习架构，包括卷积神经网络和基于Transformer的模型，通过建模肽和HLA分子之间的复杂序列依赖性改进了这些预测（Villanueva-Flores等人，2025年）。然而，这些方法主要回答哪些突变衍生肽应被优先考虑，而不是如何组装、编码和优化选定的新生表位作为疫苗。

当前证据支持将生成式人工智能视为一个集成的疫苗设计工作流程的一部分，而不仅仅是独立的抗原生成器。现有的预测工具和生成模型并不是相互竞争的替代方案。预测工具可以提供候选者评分和生物学限制，而生成模型可以支持受限序列或构建设计及迭代优化。在这里考虑的近期个性化工作流程中，初始抗原候选者仍然来自患者特定的肿瘤数据。因此，生成式人工智能是对现有免疫基因组学、蛋白质基因组学、免疫肽组学和判别预测流程的补充，而不是取代。在这个框架中，生成式人工智能可以支持抗原来源表示、候选者优先级排序、疫苗构建优化、肿瘤环境感知的精细化和免疫肽组学引导的验证，所有输出都应受到肿瘤衍生分子证据和经验免疫学验证的约束。然而，这些阶段的证据成熟度不同：在序列表示、疫苗构建优化、算法mRNA设计和经验验证方面的支持最强，而直接使用生成式人工智能进行从头新生抗原发现或可靠的免疫原性预测仍处于探索阶段（Teo等人，2025年；Zhang等人，2025年；Zhang等人，2023年）。除了短期的肿瘤衍生新生表位为中心的疫苗优化之外，长期的前沿是生成式人工智能是否能够支持基于免疫肽组学的合成免疫原或新生表位模拟设计，同时保持肿瘤目标相关性和自然呈递的肿瘤pHLA复合物的跨识别。同时，计算设计必须与实验校准和生物学验证相结合。基于质谱的免疫肽组学提供了自然呈递的HLA结合肽的直接证据，从而有助于完善抗原呈递模型、基准预测候选者并减少错误优先级（Bassani-Sternberg，2018年；ElAbd和Franke，2024年）。免疫肽组学、功能性T细胞检测和临床反应数据的迭代整合可能进一步提高生成式人工智能支持的疫苗设计的生物学真实性和转化相关性。如图1所示，本综述总结了生成式人工智能在肿瘤新生抗原发现和疫苗开发方面的最新进展。我们将传统的人工导向疫苗设计工作流程与生成式人工智能支持的集成设计框架进行了比较，并讨论了现有预测工具如何作为两种范式的共享组件。最重要的是，我们进一步探讨了在生成式人工智能支持的新生抗原疫苗策略能够与标准发现流程进行前瞻性比较并迈向临床应用之前必须解决的挑战和新兴机会。（见图2。）

**从预测性新生抗原排名到生成式疫苗设计**
新生抗原的计算识别随着机器学习、计算免疫学和免疫肽组学的进步而发展。早期的工作流程主要集中在肽-MHC结合预测上，反映了抗原呈递在T细胞识别中的核心作用。后续的发展将自然呈现的HLA配体数据、抗原加工特征、肿瘤表达、克隆性和其他生物学变量纳入多参数优先级系统中。

**生成式人工智能在新生抗原发现和疫苗设计中的关键应用**
基于这一框架级视图，本节讨论了生成式人工智能可能支持的五个相互关联的应用场景。需要注意的是，这些阶段的证据成熟度不同：发现和优先级目前更多依赖于表示学习、数据集成和基于约束的评分，而疫苗构建工程允许更直接地优化表位组合、排序、连接子/间隔物设计。

**代表性临床研究**
代表性临床研究表明，个性化新生抗原疫苗已经从早期的可行性和免疫原性研究发展到组合策略和随机临床评估。2017年，Ott等人在《自然》杂志上报告称，六名黑色素瘤患者接受了针对每位患者最多20个预测新生抗原的个性化长肽疫苗。在接种的97个独特疫苗新生抗原中，疫苗诱导的多功能CD4+ T细胞反应针对……

**结论、挑战和展望**
生成式人工智能为将计算免疫学从预测为中心的排名扩展到基于约束的设计优化提供了一个补充框架。基于这些预测模块，生成式人工智能辅助的框架可能支持受限疫苗设计空间的探索、候选者优先级的精细化、多表位和mRNA构建变量的优化，以及由免疫肽组学引导的迭代生成-评分-验证-精细化循环。

**资助**
本工作得到了中国自然科学基金（资助编号32300528）、国家重点临床专科科研项目（资助编号Z2023057）、湖南省卫生健康委员会卫生健康研究项目（资助编号W20243208）、湖南省自然科学基金（资助编号2026JJ90239）、湖南省科技创新计划（资助编号2023RC3080）和湖南省优秀青年基金的支持。

**作者贡献**
Xinjie Hu、Xinyu Liu和Tao Wang对本工作做出了同等贡献。Xinjie Hu、Xinyu Liu和Tao Wang构思了综述，进行了文献回顾，设计了整体框架，并起草了初稿。Xinyi Liu参与了文献收集、图表制作和手稿修订。Ge Yang提供了关键的思想输入，监督了研究，并对手稿的重要内容进行了严格修订。

**未引用的参考文献**
Lee等人，2026年

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或可能影响本文工作的个人关系。所有作者都已审阅并批准了此声明的提交。

**致谢**
我们希望感谢BioRender（https://app.biorender.com/）在创建图表方面提供的帮助。

**作者列表**
Xinjie Hu | Xinyu Liu | Tao Wang | Xinyi Liu | Ge Yang | Peng Huang | Haodong Xu