使用人工智能技术来绘制免疫细胞受体

美国约翰·霍普金斯大学的科学家利用人工智能创建一张比较细胞受体类型的方法---免疫系统T细胞表面化学“天线”的图谱。他们对实验室生长的小鼠和人类T细胞进行的实验结果表明，具有更多种类这种受体的癌症患者可能对免疫治疗药物和疫苗的反应更好。

“癌症免疫学研究”（Cancer Immunology Research）12月20日刊登了一篇关于科学家如何创建和测试他们所谓的“免疫地图”的报道。

约翰·霍普金斯大学医学院病理学，医学和肿瘤学教授Jonathan Schneck博士和其成员Jonathan Schneck博士说：“免疫地图为科学家们提供了免疫系统对细胞抗原广泛多样性的图像”。

T细胞上的受体识别抗原或其他细胞，特别是抗体，会触发免疫反应。如果抗原是外来的，T细胞会在免疫系统内引发免疫反应，可以发布一个“全方位的公告”来寻找不熟悉的抗原。

由于癌症等疾病往往会逃避T细胞受体的检测，使得肿瘤不受限制地生长，科学家们长期以来一直在寻求“智力”来开发针对恶性细胞的治疗方法，对健康细胞不造成什么影响。

约翰霍普金斯大学生物医学工程博士/生物医学博士说：“今天的许多免疫疗法都建立在我们认识这些抗原的前提之上。学生约翰-威廉Sidhom。“但是我们实际上并不知道他们需要的东西以及识别他们的T细胞”。

为了满足这一需求，Sidhom使用高性能计算技术来创建一个数字模型——本质上是一个数字地图——在实验室中暴露于病毒的人类T细胞受体的基因组序列数据。Sidhom说：“我们的目标是聚集相似的T细胞受体，并可能靶向相同的抗原”。

使用无监督学习算法，团队能够根据受体序列中的相似性将T细胞受体测序数据转换为数字距离，并通过功能特异性将其聚类。例如，如果两个受体序列相似，则计算机在两个序列之间分配短距离等级。如果序列不同，他们获得一个更长的距离排名。

一旦数以千计的序列被转换成这些“距离”度量，就通过人工智能算法在受体之间寻找模式。

施奈克说：“这就是我们如何得到免疫地图的方式：通过表征受体序列，因为它们相互关联。非常相似的T细胞受体，其序列略有差异，可能会识别相同的抗原”。

约翰·霍普金斯大学的研究小组测试了免疫地图在免疫治疗药物nivolumab全国性临床试验中纳入的34名癌症患者肿瘤中的T细胞受体测序数据的免疫反应相关性。

34例测试者中，3例黑色素瘤患者对nivolumab有反应，其余均无反应。在反应者中，科学家发现了更多——平均15个不同的T细胞受体簇，而无反应者的是8到9个。

科学家还发现，通过nivolumab治疗4周后，应答者中T细胞受体的多样性降低了10-15％。Schneck说：“那些患者在治疗前有多种受体武器，这可能会使正确的受体杀死他们的癌细胞。一旦他们的免疫系统发现正确的受体，那么表达这些受体的T细胞会增加，从而导致其T细胞受体结构多样性的整体下降。

Schneck说，“一些科学家强调，对免疫疗法的反应在很大程度上取决于T细胞是否正在浸润肿瘤部位，但他的研究表明，虽然浸润是重要的，但仅仅解释患者对免疫治疗药物的可变应答是不够的”。

该团队还创建了肿瘤抗原特异性T细胞受体多样性的免疫地图，该肿瘤抗原在有和没有肿瘤的小鼠中。他们的分析表明，接近肿瘤的T细胞样本中T细胞受体的多样性比较远。这些数据可能有助于科学家确定肿瘤如何逃避免疫系统的检测。

Schneck说，该研究组还需要积累更多的免疫地图数据，以可靠地预测哪些患者可能会或可能不会对免疫疗法产生反应。他指出：“此时，免疫地图不能将T细胞受体与特异性抗原相匹配，或确定这些抗原是否对任何个体患者的免疫疗法反应都很重要”。