近日🪆，EON体育4平台微生物代謝國家重點實驗室歐竑宇研究組聯合澳大利亞蒙納士大學宋江寧研究組等多個研究組於Nature子刊Nature Machine Intelligence發表題為“Epitope-anchored contrastive transfer learning for paired CD8⁺ T cell receptor-antigen recognition”的研究論文。該研究采用遷移學習與對比學習，成功開發了一種預測CD8⁺ T 細胞受體識別抗原表位的新方法🫲🏼。EON体育4平台2021級碩士畢業生張昱朦為第一作者👩🏽‍⚕️，歐竑宇教授和宋江寧教授為共同通訊作者。

CD8⁺ T 細胞在對抗病原體感染、癌症和自身免疫疾病中發揮著關鍵作用：細胞表面的T細胞受體（TCR）通過識別主要組織相容性復合體（MHC）I類分子呈遞的抗原表位來激活T細胞🦜，引發適應性免疫反應🙍‍♀️👈🏿。準確和高通量地識別與特定抗原表位結合的TCR能夠幫助理解T細胞免疫反應的機製，支持開發基於TCR的免疫療法。盡管單細胞TCR測序技術和四聚體相關TCR測序（TetTCR-seq）等能夠產出配對的TCR轉錄本及其抗原識別的特異性，但這些實驗方法仍存在成本高♔、技術復雜和表位覆蓋度有限等問題。因此，研究人員開發了一系列深度學習方法，通過對TCR和抗原表位-MHC復合物（pMHC）的序列建模，旨在預測兩者間的結合特異性。然而，現有方法大多僅關註TCRβ鏈上的互補決定區3（CDR3），且在預測新生抗原（neoantigen）或不常見的抗原表位時效果不佳。

這項研究提出一種新的深度學習方法EPACT🤞🏿，利用在大規模TCR序列和抗原肽-MHC結合數據上的預訓練🧛🏼，通過遷移學習有效提升了TCR和pMHC間結合特異性的預測表現🌤🦨。EPACT被成功應用於分析SARS-CoV-2感染和疫苗接種前後的TCR克隆類型（clonotype），不僅能夠鑒定抗原特異的TCR簇🙎🏽，還佐證了不同感染和疫苗接種狀態下刺突蛋白（spike）特異和非刺突蛋白（non-spike）特異的免疫反應的差異。EPACT在TCR-pMHC復合物的三維結構數據上微調後🤢，能夠準確識別CDR和抗原表位間的結合熱點✌🏼，進而幫助解析T細胞的交叉反應性（cross-reactivity）。隨著高質量的TCR結合特異性數據和TCR-pMHC復合物結構的持續發布，EPACT有望被進一步開發成為一種實用的計算工具，以加速在臨床研究中對基於TCR的免疫療法和疫苗的評估。

圖1. CD8⁺ T 細胞受體識別抗原表位預測方法EPACT的模型框架和應用場景

論文鏈接🚵🏽‍♂️：

https://www.nature.com/articles/s42256-024-00913-8