Brief Bioinform：一种新型人工智能策略或有望帮助识别新的免疫疗法靶点

能结合I型主要组织相容性复合体（MHC）分子的肽类抗原的免疫识别对于新型免疫疗法的发展和人类健康都是必不可少的，目前预测抗原肽类免疫原性的方法主要依赖于简单的序列的表示，其允许对免疫特征进行一些理解，但对于与肽类识别相关的分子机制的全面考虑仍然不足。近日，一篇发表在国际杂志Briefings in Bioinformatics上题为“Unsupervised and supervised AI on molecular dynamics simulations reveals complex characteristics of HLA-A2-peptide immunogenicity”的研究报告中，来自克利夫兰诊所等机构的科学家们通过研究开发了一种通过人工智能技术（AI）识别免疫疗法新型靶点的策略。文章中，研究人员开发出了监督和无监督的人工智能技术来揭示肽类抗原的分子特征，肽类抗原是一种免疫细胞用来识别威胁的小块蛋白分子。

一种新型人工智能策略或有望帮助识别新的免疫疗法靶点

图片来源：Briefings in Bioinformatics (2024). DOI:10.1093/bib/bbad504

研究者Chan说道，在过去，我们关于癌症抗原靶点的所有数据都来自于试验和错误，通过与IBM的研究人员联合研究就能帮助我们突破人工智能和健康科学研究的界限，从而帮助改变我们开发并评估癌症疗法靶点的方式。几十年来，科学家们一直在研究如何更好地识别抗原并利用其来攻击癌细胞和被病毒感染的细胞，然而事实证明，这项任务具有一定的挑战性，因为抗原肽类能根据细胞表面的特定特征与免疫细胞相互作用，而这一过程目前仍未得到很好地理解。研究人员一直受到了影响免疫系统如何识别这些靶点的变量数量的限制，而通过常规计算来识别这些变量是非常困难且耗时的，因为当前的模型是非常有限的，有时或许并不准确。

这篇研究报告中，研究人员发现，能考虑分子形状随时间改变的人工智能模型或能准确解析机体免疫系统如何识别目标抗原，通过这些模型，研究人员就能锁定哪些过程对于诸如疫苗和工程化免疫细胞等免疫疗法非常重要；如今研究人员还能将这些见解纳入到其它人工智能模型中从而更好地识别出更为有效的免疫疗法靶点。研究者Weber说道，这些研究发现是促使这一合作关系成功的一个典型案例，即将IBM的尖端计算资源与克利夫兰诊所的医疗专业知识相结合，这些研究发现来自于从世界级癌症免疫疗法专家到基于物理的模拟和人工智能专家的所有人之间的合作，而且与创新相结合的合作也具有巨大的研究潜力。

综上，本文研究结果表明，监督和无监督的方法都揭示了基于时间依赖性分子波动和MHC结合槽外部锚定位置动力学的免疫原性决定因素；同时研究人员还讨论了这些结构和动态免疫原性相关因素对于诱导T细胞反应和治疗性T细胞受体设计的影响。（生物谷Bioon.com）

参考文献：

Jeffrey K Weber,Joseph A Morrone,Seung-Gu Kang, et al. Unsupervised and supervised AI on molecular dynamics simulations reveals complex characteristics of HLA-A2-peptide immunogenicity, Briefings in Bioinformatics (2024). DOI: 10.1093/bib/bbad504