构建deepAntigen计算框架
在原子水平预测抗原-HLA结合和抗原-TCR相互作用。
将抗原、HLA和TCR的氨基酸序列转化为原子图，利用GCN提取原子特征，通过top-k池化和多头注意力生成相互作用图，分别预测序列水平结合概率和原子水平接触概率。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用图卷积网络在原子水平识别T细胞抗原
Identifying T cell antigen at the atomic level with graph convolutional network.
实验完整度
高包含计算模型预测、结构数据验证、患者样本WES/RNA-seq/TCR-seq及ELISPOT功能验证等多个证据层级
主要模型
肺癌、乳腺癌和胰腺癌患者肿瘤组织及外周血样本 PBMC（外周血单个核细胞） 抗原-HLA I/II结合数据集 抗原-TCR相互作用数据集
重点核对
ELISPOT实验中每孔1×10^5 PBMCs，候选新抗原肽10 μg/ml，37°C、5% CO2孵育24小时 ELISPOT每肽三复孔，DMSO为阴性对照，CEF Antigen Pool为阳性对照 患者纳入标准：18-80岁，组织学确诊的实体瘤（乳腺癌、肺癌或胰腺癌），可行手术切除 患者排除标准：术前接受任何全身抗肿瘤治疗、既往放疗、长期使用免疫抑制或免疫调节药物等 WES和RNA-seq测序深度：肺癌、乳腺癌、胰腺癌靶区域平均测序深度分别为153.6×、176.4×、157.7×
摘要
在计算机中精确识别T细胞抗原对于癌症mRNA疫苗的开发至关重要。然而，当前的计算方法仅利用序列水平而非原子水平特征来识别T细胞抗原，导致对激活免疫应答的抗原表征不佳。在此，我们提出deepAntigen，一个基于图卷积网络的框架，用于在原子水平识别T细胞抗原。deepAntigen在预测抗原-人类白细胞抗原（HLA）结合和抗原-T细胞受体（TCR）相互作用方面均取得优异性能，可为T细胞抗原的识别提供全面指导。deepAntigen在肺癌、乳腺癌和胰腺癌患者中预测的肿瘤新抗原通过ELISPOT实验得到验证，该实验检测到CD8+ T细胞成功激活并释放IFN-γ。总体而言，deepAntigen能够在原子水平准确识别T细胞抗原，有望加速针对癌症患者的个性化新抗原靶向免疫疗法的发展。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何在原子水平准确识别能够激活T细胞免疫应答的T细胞抗原，以指导癌症mRNA疫苗和新抗原靶向免疫疗法的发展。
- 核心机制
- deepAntigen将抗原、HLA和TCR的氨基酸序列转化为以原子为节点、化学键为边的图，利用图卷积网络和交叉注意力表征抗原与HLA/TCR之间的关键原子水平接触，从而预测抗原-HLA结合和抗原-TCR相互作用。
- 主要证据
- deepAntigen在抗原-HLA I结合预测中AUROC达0.98、AUPR达0.97，在抗原-HLA II结合预测中AUROC和AUPR均为0.87，在抗原-TCR相互作用预测中优于现有方法；在5例癌症患者中预测的100个新抗原经ELISPOT验证有15个成功激活CD8+ T细胞免疫应答。
- 研究意义
- deepAntigen能够准确识别原子水平的T细胞抗原，有望加速癌症患者个性化新抗原靶向免疫疗法的发展，并为设计癌症mRNA疫苗提供工具。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
评估抗原-HLA结合预测性能
验证deepAntigen预测抗原-HLA I和HLA II结合的能力。
在抗原-HLA I基准测试集（Dataset 1，72,936对）和抗原-HLA II基准测试集（Dataset 5，50,956对）上，与MixMHCpred2.2、NetMHCpan4.1、TransPHLA、NetMHCIIpan4.2、MixMHC2pred2.0等方法比较AUROC和AUPR。
评估抗原-TCR相互作用预测性能
验证deepAntigen预测抗原-TCR相互作用的能力，包括zero-shot、few-shot和majority学习场景。
在Dataset 8（zero-shot）上比较deepAntigen与TEIM、PanPep、ImRex、ERGO2；在pMTnet测试数据集上比较；在SARS-CoV-2抗原-TCR数据集（Dataset 9）上评估；在zero-shot、few-shot和majority设置下比较deepAntigen与PanPep。
预测原子水平接触
验证deepAntigen识别抗原与HLA/TCR之间关键接触原子的能力。
使用PDB结构数据（Dataset 4、7、11）通过leave-one-out交叉验证评估deepAntigen_Atom预测原子水平接触的性能，以NPCC和AUROC为指标；分析NY-ESO-1抗原与NY-ESOc259 TCR的氢键及突变效应。
临床患者新抗原预测与ELISPOT验证
验证deepAntigen预测的肿瘤新抗原能否激活患者T细胞免疫应答。
收集5例患者（2例肺癌、2例乳腺癌、1例胰腺癌）的肿瘤组织、癌旁组织和外周血，进行WES、RNA-seq和TCR-seq，用deepAntigen预测新抗原并排名前20，合成候选新抗原肽，用IFN-γ ELISPOT检测PBMC的T细胞激活。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证免疫原性
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| PBMC分离 | Ficoll Plus分离液 | Solarbio | P4350 |
| 外周血RNA保存 | PAXgene血液RNA采集管 | Qiagen | 762165 |
| 组织样本保存 | RNAlater组织保存液 | Invitrogen | AM7024 |
| DNA提取 | DNA提取试剂盒 | TIANGEN Biotech | DP341 |
| DNA/RNA定量 | Qubit 3.0荧光定量仪 | Life Technologies | Q10210 |
| 全外显子捕获 | xGen外显子杂交捕获面板v2 | Integrated DNA Technologies | -- |
| WES/RNA-seq测序 | DNBSEQ-T7测序仪 | MGI Tech Co., Ltd. | -- |
| RNA提取 | TRIzol试剂 | Invitrogen | 15596026 |
| RNA-seq文库构建 | KC-Digital链特异性mRNA文库构建试剂盒（Illumina） | Wuhan Seqhealth Co., Ltd. | DR08502 |
| TCR-seq RNA提取 | PAXgene血液RNA提取试剂盒 | Qiagen | 762174 |
| TCR-seq DNA消化 | DNase I | Thermo Scientific | EN0521 |
| TCR-seq RNA定量 | Qubit RNA高灵敏度检测试剂盒 | Invitrogen | Q32855 |
| TCR-seq文库构建 | KC-Digital链特异性TCR-seq文库构建试剂盒（Illumina 150） | Seqhealth Technology Co., Ltd. | DT0813-02 |
| TCR-seq测序 | NovaSeq测序系统 | Illumina | -- |
| IFN-γ ELISPOT | 人IFN-γ单色酶联免疫斑点检测试剂盒 | Cellular Technology Limited | -- |
| ELISPOT斑点计数 | ImmunoSpot读板仪 | Cellular Technology Limited | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者样本采集与测序 | 患者纳入/排除标准、样本类型（肿瘤组织、癌旁组织、外周血）、WES/RNA-seq/TCR-seq测序深度和覆盖度 阅读提示：Methods中Patient samples and PBMC isolation、WES sequencing、RNA sequencing、TCR sequencing小节及Supplementary Table 8 |
| 新抗原预测与排序 | 候选新抗原的HLA结合概率阈值（>0.5）、免疫原性评分方法（基于top 10,000 TCR克隆型的平均相互作用概率）、排名前20的选择 阅读提示：Methods中Immunogenicity score小节 |
| IFN-γ ELISPOT实验 | PBMC数量（1×10^5/孔）、肽浓度（10 μg/ml）、孵育时间（24小时）、温度（37°C）、CO2浓度（5%）、复孔数（三复孔）、阴性对照（DMSO）、阳性对照（CEF Antigen Pool）、阳性判定标准（DFR检验） 阅读提示：Methods中IFN-γ ELISPOT assay小节及Supplementary Figs. 19-21 |
| deepAntigen模型训练与评估 | 训练数据集来源和规模、超参数（top k值、隐藏单元数、GCN层数）、优化器和学习率、交叉验证策略 阅读提示：Methods中Data curation、Cross-validation and hyperparameter setting小节及Supplementary Tables 1-3 |
| 原子水平接触预测 | 结构数据集来源和规模、接触距离阈值（5 Å）、leave-one-out交叉验证策略、NPCC计算方法 阅读提示：Methods中Structural data、Detailed implementation of deepAntigen_Atom、Evaluation metrics小节 |