T-SCAPE：用跨领域预测技术评估T细胞免疫反应

T细胞免疫原性指短肽片段触发T细胞免疫反应的能力，是适应性免疫的关键因素，对癌症免疫疗法、传染病疫苗开发以及蛋白质药物的免疫原性预测与调控都有着重要影响。传统实验方法（如筛选蛋白质抗原衍生的重叠肽）成本高、耗时长，且难以精确定位表位的边界和免疫原性强度。虽然计算机预测方法为T细胞表位发现提供了更高效的途径，但现有方法大多数据整合有限，主要聚焦于T细胞识别过程的单个环节（如肽-主要组织相容性复合体（MHC）结合或T细胞受体（TCR）与肽-MHC（pMHC）相互作用），这种局限降低了预测准确性和泛化能力。

为克服这些不足，研究团队开发了T-SCAPE（T cell immunogenicity scoring via cross-domain aided predictive engine），这是一种新型深度学习框架，旨在整合多种免疫原性相关数据，学习调控T细胞表位免疫原性的复杂决定因素。该框架采用模块化多任务学习架构，包含一个学习跨任务域不变特征的共享整合编码器，以及捕捉互补域特定信息的任务特定编码器。为促进特征分离，编码器之间施加了正交约束，并通过对抗性损失引导整合编码器生成域不变表示，以减少对数据集特定伪影（如MHC I类和II类肽长度差异）的过拟合，转而学习与免疫原性相关的基本特征。模型训练分为多任务预训练和免疫原性特定微调两个阶段。

预训练阶段，模型在涵盖多个免疫原性相关任务的多样化数据集上联合训练，包括MHC呈递、pMHC结合亲和力、TCR-pMHC结合以及肽的“自身性”学习等。微调阶段则使用T细胞激活数据进一步优化预训练的整合编码器。通过严格的防数据泄露基准测试验证，T-SCAPE在预测特定pMHC对的T细胞激活方面表现出优异性能，同时无需MHC输入即可准确预测治疗性抗体的抗药抗体诱导潜力。这种成功得益于T-SCAPE基于生物学原理且数据驱动的多域预训练，其稳定可靠的性能凸显了其在推动更安全、更有效的疫苗和蛋白质疗法开发方面的潜力。