生物科技 · global
AI為T細胞設計辨識序列:人工受體在實驗中展現活化能力
尋找能辨識特定標的的T細胞受體,往往需要大量篩選。ERTransformer從抗原片段出發提出候選序列,部分設計已通過細胞實驗,但能否安全用於治療,仍有待逐步驗證。
讓免疫細胞辨認疾病,首先得找到合適的受體。對開發T細胞受體療法的研究者而言,這項搜尋往往耗時且昂貴。一項刊於《Genome Biology》的研究,嘗試由人工智慧提出辨識序列,再交由實驗篩選;部分人工設計的受體,已在指定條件下引發與天然受體相當、甚至更強的T細胞活化反應。
T細胞受體(TCR)辨識的,是其他細胞透過人類白血球抗原(HLA)分子展示的蛋白質片段。這套配對機制,是研究者引導免疫細胞辨認腫瘤標的的重要基礎。新模型ERTransformer聚焦於受體β鏈的CDR3區域,也就是參與辨識的一段可變序列;其產物仍須放回完整受體及相應的抗原呈現環境中測試。
模型結合EpitopeBERT與ReceptorBERT,分別以190萬筆抗原表位序列、3,310萬筆TCR序列進行預訓練。團隊選取五種已有天然受體可供比較的表位,各生成1,000條候選CDR3序列。這些候選與天然β鏈序列的相似度較低,同時保留合理的長度與胺基酸組成,為後續篩選提供更多起點。
真正的考驗在細胞實驗。研究者挑選部分人工受體,以流式細胞儀測量T細胞活化,得到可與天然受體相比的反應。不過,生成的5,000條序列並非全部經過功能驗證;結果也限定於實驗採用的受體與胜肽—MHC組合,不能據此推算整批候選的成功率,更不能直接等同於人體抗癌療效。
這項成果也呈現了計算設計走向生物驗證所需的時間。通訊作者Qingpeng Zhang在公開貼文中表示,計畫起於Jiannan Yang在騰訊AI Lab的實習,計算工作大致於2022年完成,之後由Jianhua Yao與西京醫院合作團隊完成濕實驗驗證。模型能提出序列,與序列能讓細胞產生反應,之間仍需要實驗搭橋。
團隊的公開ER-BERT程式庫提供預訓練、生成與使用說明,並連結已訓練模型及示範資料。文件中的流程還使用額外的判別模型預測結合特異性,協助挑選候選;這類預測仍須實測確認。完整資料則需向研究者索取,因此公開程式碼雖有助於檢驗方法,完整重現仍涉及資料取得。
目前較清楚的用途,是擴大候選池、安排實驗篩選的優先順序。若要走向治療,還須確認設計能否適用於更多表位與HLA背景,以及是否會辨認非預期標的、傷及正常組織。論文於2026年9月2日發表,出版社標示為已接受、通過同儕審查的早期版本,後續仍會編修;它提供了功能驗證的起點,尚未建立臨床療效與安全性的證據。