DeepPROTECTNeo：一种情境感知型个性化、反向疫苗学驱动的深度学习免疫原性预测框架

《BMC Biology》：DeepPROTECTNeo: a context-aware personalised and reverse vaccinology-guided deep learning framework for immunogenicity prediction

　　

摘要

背景

个性化癌症疫苗的开发依赖于准确识别能够引发强烈免疫反应的新表位。T 细胞受体 (TCR)-表位相互作用是癌症免疫治疗的基础。传统计算方法主要关注表位 - 主要组织相容性复合体 (MHC) 结合，往往忽视了 TCR 结合的关键贡献。此外，现有方法的临床适用性受到碎片化流程的限制，这些流程需要分别进行变异检测、HLA 分型以及独立的肽 -MHC (pMHC) 或肽 -TCR (pTCR) 评估阶段。

结果

我们提出了 DeepPROTECTNeo，这是一个统一的深度学习框架，整合了基因组变异检测、HLA 分型、高亲和力 pMHC 结合预测、变异驱动的 TCR 库挖掘，随后采用配备显式交叉注意力机制深度学习模型的混合 Transformer-卷积神经网络双分支特征提取器进行 TCR-表位结合预测。我们受反向疫苗学启发的生物学知情架构整合了双向长短期记忆 (Bi-LSTM) 序列特征、通过门控融合处理的卷积 - 注意力物理化学/进化描述符，以及 TCR 编号上下文嵌入，以实现残基水平的可解释建模。在严格的 TCR 分割策略下，其平均 AUROC 达到 0.7856，AUPRC 达到 0.7932，以 4–5% 的优势超越了六种最先进的预测器，并具有严格的折间稳定性。该架构针对结构难负样本和不平衡数据集保持高鲁棒性，成功从患者特异性癌症队列中恢复了 34 个经验证的高亲和力新表位中的 18 个。

结论

实验结果表明，DeepPROTECTNeo 是一个强大且可靠的端到端新抗原优先级排序框架，能够直接从临床测序数据有效建模复杂的 TCR-表位界面，为加速个性化癌症免疫治疗提供了稳健的可解释基础。