DRUGAI
CD8+ T细胞在对抗病原体感染、癌症和自身免疫疾病中发挥着关键作用：细胞表面的T细胞受体（TCR）通过识别主要组织相容性复合体（MHC）I类分子呈递的抗原表位来激活T细胞，引发适应性免疫反应。准确、高通量地识别与特定抗原表位结合的TCR能够帮助理解 T细胞免疫反应的机制，并支持开发基于TCR的免疫疗法。尽管单细胞TCR测序技术和四聚体相关TCR测序（TetTCR-seq）等能够产出配对的TCR转录本及其结合抗原的特异性，但这些实验方法仍然存在成本高、技术复杂和表位覆盖度有限等问题。另一方面，T细胞交叉反应性（cross-reactivity），即单个TCR能够和多个抗原表位-MHC（pMHC）复合物结合，为设计针对多种肿瘤抗原的多功能T细胞创造了条件，但也可能会引发脱靶自身抗原的不良免疫反应。因此，研究人员开发了一系列计算方法，通过对TCR和pMHC复合物的序列建模，旨在预测两者间的结合特异性。然而，现有方法大多仅关注TCRβ链上的互补决定区3（CDR3），并且在预测新生抗原（neoantigen）或不常见的抗原表位时效果并不理想。
2024年10月22日，澳大利亚莫纳什大学宋江宁团队在Nature Machine Intelligence发表了题为Epitope-anchored contrastive transfer learning for paired CD8+ T cell receptor–antigen recognition的研究论文，开发了基于对比学习和迁移学习的深度学习模型EPACT用于预测T细胞受体识别抗原-MHC复合物过程中多尺度的相互作用，有效提升了对未知抗原表位的预测效果，帮助解析了SARS-CoV-2疫苗接种前后抗原特异的T细胞免疫反应变化和自身免疫疾病中T细胞的交叉反应性，为理解T细胞免疫反应的分子机制和发展基于TCR的免疫疗法提供了高效的计算工具。
EPACT模型整合了成对的αβ T细胞受体、抗原表位和人类白细胞抗原（HLA）的输入，输出TCR和抗原表位-MHC的结合特异性以及CDR区域和表位间氨基酸残基水平的相互作用。EPACT利用在大规模TCR序列数据和抗原肽-MHC结合数据上预训练基于Transformer架构的语言模型等获取两者的特征表示，在迁移学习阶段经过自注意力层和卷积层进一步提取TCR和pMHC的序列特征后将两者投影到同一个隐空间中，根据编码pMHC与结合/非结合TCR的向量间的余弦距离计算对比学习损失，同时也计算分类的交叉熵损失（如图所示）。EPACT整合了来源于多个数据库和队列研究中TCR-pMHC结合特异性的数据，在预测未知抗原表位的结合TCR以及VDJdb数据库中独有的测试数据的设定下都显著优于现有的计算方法。在TCR-pMHC复合物的三维结构数据上进行微调后，EPACT通过CDR和抗原表位氨基酸水平特征的外积和二维卷积层预测了两者间的距离矩阵和接触位点，不仅更准确地识别了TCRβ链上CDR3区域和抗原表位的结合热点（binding hotspots），还额外支持预测其它CDR区域参与的与表位的相互作用。
图 1 CD8+ T细胞受体识别抗原表位预测方法EPACT的模型框架和应用场景。
研究者接着将EPACT模型应用于分析SARS-CoV-2感染和疫苗接种前后的TCR克隆类型（clonotype），模型不仅能够鉴定出抗原特异的TCR簇，预测结果还与不同感染和疫苗接种状态下刺突蛋白特异和非刺突蛋白特异的免疫反应的差异相吻合（疫苗接种组中刺突蛋白特异的TCR克隆扩增程度和预测的结合强度都显著高于非刺突蛋白特异的TCR）。EPACT预测的接触分值还能指示强直性脊柱炎（一种自身免疫疾病）病人的T细胞交叉反应现象中保守的TCR识别模式和对应多种不同来源的抗原表位共享的结构motif（P4位置与CDR1α和P6, P8位置与CDR3β的相互作用）。此外，在分析黑色素瘤的肿瘤浸润淋巴细胞（TIL）治疗中能够识别多种肿瘤相关抗原的TCR时，EPACT不仅捕捉到了复合物三维结构中CDR和抗原表位间重要的非共价相互作用，研究者还依赖模型预测结果，应用模拟退火算法成功模拟了该TCR结合表位的氨基酸偏好性。
综上所述，该深度学习模型EPACT提供了一个可解释的框架帮助研究TCR-pMHC复合物内部的相互作用，适用于处理不断涌现的单细胞配对TCR测序数据，为探究解析T细胞免疫反应的变化以及T细胞交叉反应性的机制等提供了可靠的计算基础。随着高质量的TCR结合特异性数据和TCR-pMHC复合物结构的持续发布，EPACT有望进一步帮助加速临床研究中对基于TCR的免疫疗法和疫苗的开发和评估。
莫纳什大学宋江宁研究组博士生张昱朦为该论文的第一作者，莫纳什大学生物医学发现研究所宋江宁教授和上海交通大学生命科学技术学院微生物代谢国家重点实验室欧竑宇教授为该论文的共同通讯作者。莫纳什大学Tony Purcell教授、Jamie Rossjohn教授和耶鲁大学Mark Gerstein教授等都对该工作做出重要贡献。
参考资料
Zhang, Y., Wang, Z., Jiang, Y. et al. Epitope-anchored contrastive transfer learning for paired CD8+ T cell receptor–antigen recognition. Nat Mach Intell (2024). https://doi.org/10.1038/s42256-024-00913-8
