《International Journal of Molecular Sciences》：Revisiting Biomarker-Guided Therapy in EGFR-Mutant Non-Small Cell Lung Cancer with High PD-L1 Expression
Nuri Park,
Yejin Cho,
Hong-Mei Zheng,
Woo Kyung Ryu,
Kyung Hee Jung and
Jun Hyeok Lim
编辑推荐：
这篇综述探讨了人工智能如何变革B细胞受体（BCR）谱分析，从解码复杂序列语义、重建克隆进化，到预测抗原特异性及设计新型抗体，为肿瘤免疫、感染性疾病和自身免疫病的研究与治疗开辟了新范式。它系统阐述了深度学习架构在应对高维、异质性及非线性免疫数据中的核心作用，并前瞻性地提出了整合多模态数据、可解释性AI和迭代验证的闭环系统，以推动精准免疫学和治疗性抗体发现。
B细胞受体（BCR）谱是个体免疫史的“档案”，记录了对病原体和抗原的全部应答。然而，传统方法难以解读其蕴含的巨量、高维和异质性信息。人工智能（AI），特别是深度学习，正带来一场范式转变，将这些序列数据转化为可学习、可预测、甚至可设计的生物语言。
机会与挑战并存
BCR谱分析面临数据规模与生物学复杂性的双重障碍。技术层面，测序数据维度极高、稀疏性强，且存在平台差异等技术变异，使得模型训练不稳定。生物学层面，BCR谱高度个体化，公共克隆稀少，且克隆进化呈非线性、图谱状的拓扑结构，功能关键的稀有克隆往往被优势克隆“淹没”。这共同制约了从数据中提取可推广的预测性免疫模式。
机器学习与深度学习：BCR分析的新范式
AI的引入，推动分析框架从基于局部motif或序列相似性的浅层分析，转向能够建模高维表示、图谱拓扑和生成设计的统一框架。多种神经网络架构各司其职：
- •
卷积神经网络（CNN）擅长检测局部结构motif，如互补决定区（CDR）特征。
- •
循环神经网络（RNN）可建模序列依赖性和体细胞超突变（SHM）驱动的突变轨迹。
- •
基于Transformer的抗体语言模型（AbLM）则能捕捉全局序列语义和长程残基依赖关系，将离散的BCR序列映射为连续的潜在空间，从而有效整合跨个体甚至跨物种的免疫组库。
- •
图神经网络（GNN）通过将序列表示为节点、突变表示为边，可精确重建克隆谱系拓扑，识别功能关键的高影响克隆变异。
- •
结构感知模型，整合序列、构象和功能信息，弥补序列与功能之间的“3D鸿沟”。
- •
生成式框架，如变分自编码器（VAE）和扩散模型，能够深度探索BCR潜在空间，模拟亲和力成熟，甚至从头设计抗体。
这些模型形成一个多层次的分析体系，共同将BCR谱从静态序列档案转变为动态、可学习、可设计的系统。
AI在BCR分析中的核心应用
基于上述分析范式，AI的应用正从静态描述走向动态预测、机制建模乃至前瞻性免疫工程。
- •
抗原特异性预测与免疫原设计
预测抗原特异性是核心挑战。Transformer模型通过学习序列语义，可准确预测抗原结合潜力和亲和力变化。结构引导的Transformer整合三维空间约束，能定位CDR-H3等关键功能残基。生成式模型进一步将AI从分析工具转变为计算免疫工程平台，能够生成具有目标结合特性的候选抗体。然而，其向临床转化仍面临挑战，如计算序列的结构有效性、实验验证瓶颈、可开发性评估以及免疫原性预测困难。
- •
肿瘤免疫学：从预后标志物到预测性应答模型
AI正在重新评估体液免疫在肿瘤学中的作用。在识别层面，机器学习可区分肿瘤与正常组织的免疫特征。在预后层面，BCR特征已成为免疫检查点疗法反应和生存的有力生物标志物。最具转化潜力的方向是发现跨个体共享的肿瘤反应性BCR谱系，自然语言处理（NLP）启发的模型能够捕捉这种“趋同选择”模式，为下一代肿瘤抗体库奠定基础。
- •
感染性疾病：模拟免疫动态与交叉保护性免疫
在感染性疾病中，BCR谱是动态免疫应答的读数。AI模型可捕获与预后相关的细微特征，用于疾病分层。在寻找交叉保护抗体和泛病毒疫苗方面，AI有助于识别病毒家族间保守的免疫特征。多模态深度学习框架还能整合序列特征、克隆动态和临床结果，重建个体化免疫轨迹，并为新发疫情中的抗体设计提供计算途径。
- •
自身免疫病：识别致病性克隆与分子特征
在自身免疫病中，B细胞耐受的破坏和自身反应性克隆的出现是发病核心。AI增强的BCR分析为这些疾病提供了新的视角。机器学习可识别具有鉴别性的BCR模式，用于诊断。深度学习模型能整合序列数据、克隆扩增趋势和临床评分，构建“免疫活动指数”，监测疾病活动。在机制层面，BCR分析可连接基因突变与自身免疫表型，为理解耐受破坏提供窗口。
当前瓶颈与挑战
尽管前景广阔，但AI在BCR分析中的广泛应用仍面临四大瓶颈：
- 1.
数据标准化与异质性：测序数据对上游实验变量极为敏感，导致模型跨队列泛化性差，缺乏标准化是根本性障碍。
- 2.
模型可解释性与“黑箱”问题：深度模型缺乏透明的决策机制，难以提取可生物学验证的解释，限制了其作为假设生成器指导实验设计的价值。
- 3.
低丰度克隆的功能注释与因果推断：许多功能关键的克隆集中在丰度分布的极端尾部，模型常会系统性地弱化这些信号。需要能明确考虑生物学先验和稀有事件敏感性的算法框架，并结合实验反馈循环。
- 4.
跨个体与跨疾病的普适性：人类BCR谱高度个体化，许多AI模型学到的是特定环境的关联性而非因果性、普适性的免疫学规律。需采用迁移学习、多任务学习和因果推断框架，超越队列特定的优化，迈向可重复使用的基础免疫建模框架。
迈向闭环免疫建模系统
为从被动的模式发现转向主动的免疫干预，该领域必须构建一个集成的闭环免疫建模系统。其核心在于将数据获取、序列分析、功能预测、生成设计、实验验证和模型优化整合到一个连续的反馈循环中。
- •
循环的基础：构建标准化的多模态数据生态系统。这需要建立稳健、可互操作的数据共享平台，并整合BCR序列、克隆系统发育、抗原3D结构、单细胞转录组和临床表型等多模态数据，以丰富生物学背景并增强模型普适性。
- •
循环的核心引擎：从“黑箱”到可解释AI。未来的进展依赖于在预测性能和可解释性之间取得平衡。深度整合可解释人工智能工具，如注意力可视化、特征归因分析和反事实推理，使模型能够明确高亮对预测起决定作用的残基或克隆分支，从而将计算输出转化为可检验的生物学假设。
- •
循环的生产性输出：用于智能抗体和疫苗设计的生成式AI。一旦深入学习了免疫原理，闭环系统的最终价值在于设计尚未存在的、具有免疫学价值的解决方案。生成式AI正在将这一愿景变为现实，使从头设计具有指定功能的抗体或免疫原成为可能，代表了从被动发现到主动设计的根本性转变。
总之，人工智能正在重新定义我们解码和利用人类B细胞受体谱的方式。尽管在数据标准化和验证方面仍存在挑战，但多模态学习、可解释AI和生成式建模的加速融合，辅以高质量的社区数据库，足以带来强烈乐观的预期。在未来的十年，智能化的BCR分析有望成为精准免疫学的核心引擎，推动诊断分层、个性化疫苗开发和下一代抗体疗法的进步，并将该领域推向一个数据驱动、智能设计的未来。
