由约翰霍普金斯大学工程师和癌症研究人员组成的团队开发的深度学习技术可以准确预测可能引发免疫系统反应的癌症相关蛋白质片段。如果在临床试验中得到验证，这项技术可以帮助科学家克服开发个性化免疫疗法和疫苗的主要障碍。

7月20日发表在《自然·机器智能》（Nature Machine Intelligence）杂志上的一项研究中，来自约翰霍普金斯大学生物医学工程学院（Johns Hopkins Biomedical Engineering）、约翰霍普金斯大学计算医学研究所（Johns Hopkins Institute for Computational Medicine）、约翰霍普金斯大学金梅尔癌症中心（Johns Hopkins Kimmel Cancer Center）和布隆伯格-金梅尔癌症免疫疗法研究所（Bloomberg~Kimmel Institute for Cancer Immunotherapy）的研究人员展示了名为BigMHC的深度学习方法。该方法可以识别癌细胞上引起肿瘤细胞杀伤性免疫反应的蛋白质片段，这是了解免疫疗法反应和开发个性化癌症疗法的重要一步。

“癌症免疫疗法旨在激活患者的免疫系统以摧毁癌细胞，”生物医学工程、肿瘤学和计算机科学教授，计算医学研究所的核心成员Rachel Karchin博士说：“这一过程的关键步骤是免疫系统通过T细胞与细胞表面的癌症特异性蛋白片段结合来识别癌细胞。”

引起这种肿瘤杀伤性免疫反应的癌症蛋白片段可能源于癌细胞基因构成的变化（或突变），称为突变相关新抗原。每个患者的肿瘤都有一组独特的此类新抗原，它们决定了肿瘤的异质性，换句话说，决定了肿瘤构成与自身的不同程度。科学家可以通过分析癌症的基因组来确定患者的肿瘤具有哪些突变相关的新抗原。确定哪些免疫反应最有可能触发杀死肿瘤的免疫反应，可以帮助科学家开发个性化的癌症疫苗或定制免疫疗法，并为患者选择这些疗法提供依据。然而，目前用于识别和验证免疫反应触发新抗原的方法既耗时又昂贵，因为这些方法通常依赖于劳动密集型的湿性实验室（wet laboratory）实验。

由于新抗原验证非常耗费资源，因此用于训练深度学习模型的数据很少。为了解决这个问题，研究人员对一组深度神经网络BigMHC进行了两阶段的训练，这一过程被称为迁移学习。首先，BigMHC 学习识别呈现在细胞表面的抗原，这是适应性免疫反应的早期阶段，可以获得许多相关数据。然后，BigMHC通过学习后期阶段（T 细胞识别）进行微调，而这一阶段的数据很少。通过这种方式，研究人员利用海量数据建立了抗原呈递模型，并完善了该模型以预测免疫原性抗原。

BMEN202309160002
来源：约翰霍普金斯大学生物医学工程学院官网
标题：Johns Hopkins team wins NIH prize for hemorrhage diagnostic tool