CGM第541期：利用深度学习刻画肿瘤B细胞抗原结合特性并预测免疫治疗疗效
抗体识别哪些抗原，能否帮助预测免疫治疗的应答与不良事件？本期介绍Cmai对比学习方法，以及基于B细胞受体库构建研究性预测指标的思路。
宋冰
圣裘德儿童研究医院 · 生物信息科学家
在北德州大学健康科学中心获得分子遗传学博士学位，目前工作主要聚焦在组学数据分析、机器学习，以及计算方法的开发与应用。相关成果发表在 Nautre Cancer 和 Nature Methods。目前正在寻找2026年度春季或秋季学期的Faculty职位。欢迎交流和探讨可能的合作机会。
具备对大量抗体（B细胞受体，BCR）抗原结合亲和力进行全面描绘的能力，将为揭示生物学机制提供有力工具。然而，现有用于检测抗体–抗原相互作用的实验方法成本高昂、耗时较长，且通量仅限于低至中等水平。在本研究中，我们开发了 Cmai（contrastive modeling for antigen–antibody interactions，对比建模抗原–抗体相互作用）方法，以实现可扩展至高通量测序数据的抗体–抗原结合预测。基于 Cmai 的输出结果，我们设计了一种生物标志物，用于描绘 BCR 库的抗原结合亲和力图谱。研究发现，肿瘤抗原靶向抗体的丰度可预测免疫检查点抑制剂（ICI）治疗的应答情况。此外，我们还发现，在 ICI 引发的免疫相关不良事件（irAEs）过程中，体液免疫对来源于受累器官的胞内抗原具有优先反应性。最后，我们利用 Cmai 构建了基于 BCR 的 irAE 风险评分，该评分能够预测 irAE 发生的时间。
参考文献
- Bing Song, Kaiwen Wang, Saiyang Na, Jia Yao, Farjana J. Fattah, Alexandra L. Martin, Mitchell S. von Itzstein, Donghan M. Yang, Jialiang Liu, Yaming Xue, Chaoying Liang, Yuzhi Guo, Indu Raman, Chengsong Zhu, Jonathan E. Dowell, Jade Homsi, Sawsan Rashdan, Shengjie Yang, Mary E. Gwin, Tuoqi Wu, David Hsiehchen, Yvonne Gloria-McCutchen, Catherine Pei-ju Lu, Prithvi Raj, Xiao-chen Bai, Jun Wang, Jose Conejo-Garcia, Yang Xie, Junzhou Huang, David E. Gerber, Tao Wang. Profiling antigen-binding affinity of B cell repertoires in tumors by deep learning predicts immune-checkpoint inhibitor treatment outcomes. Nature Cancer. 2025;6(9):1570-1584. DOI: 10.1038/s43018-025-01001-5
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！