讓抗原站上細胞表面：DeepSCan以AI設計新型展示模組

細胞能否把人工設計的抗原送到正確位置，往往決定一套mRNA疫苗或細胞工程系統能不能發揮作用。刊登於《Nature Biotechnology》的研究提出DeepSCan平台，嘗試用深度學習設計「細胞表面展示元件」，讓細胞合成的抗原更有效率地抵達細胞膜，供免疫細胞辨識。

這類元件通常包含單次穿膜蛋白序列，可視為連接抗原與細胞膜的模組。天然序列不少，卻缺乏一套可靠規則，能由胺基酸排列判斷蛋白質是否會順利移往細胞表面、朝向是否正確，以及表現量能有多高；研發人員因此常得依賴逐一篩選。

研究團隊量測超過570種嵌合抗原的表面表現，為約310個展示元件建立細胞表面轉位強度標記，並彙整約45組獨立訓練資料。三代DeepSCan模型據此學習序列與功能之間的關聯，再用於預測天然元件及篩選人工生成的新序列。

在3,700個電腦設計候選中，研究人員挑選約120個進行實驗，最後找到7個人工元件，其細胞表面轉位能力可比肩或超越研究中表現最強的天然元件。較佳候選不只在單一細胞株奏效，也在多種細胞類型中維持較強展示，顯示結果並非完全侷限於一種實驗環境。

團隊進一步把抗原展示與CAR-T細胞辨識連結起來。在抗原專一性的細胞毒殺試驗中，採用強化展示元件的細胞能引發相應的CAR-T殺傷反應。這項結果證明新序列不只是提高流式細胞儀讀值，展示於膜上的抗原也保有可被免疫細胞辨認的功能；然而，這仍是體外功能測試，不能等同於動物療效或人體治療成效。

DeepSCan的訓練、推論與分析程式已透過公開程式庫釋出，研究團隊也提供Genesis Quant與Omni模型的線上工具，可接受最長1,023個胺基酸的蛋白質序列並輸出表面表現分數、膜拓撲及跨膜區段等資訊。這使外部研究者具備重現與測試平台的入口，但模型對訓練分布之外的抗原、不同遞送方式及人體細胞環境能否保持準確，仍須獨立驗證。

這項工作較直接的價值，是把原本耗費大量實驗的展示元件篩選縮小到較可管理的候選集合。若要走向治療應用，後續還須確認人工序列的免疫原性、長期穩定性、不同組織中的表現，以及與特定mRNA載體搭配後的安全性；目前證據支持的是一套經細胞實驗驗證的設計方法，而不是已具臨床效益的產品。