一说到癌症疫苗，很多人第一反应是"是不是能预防癌症"。其实现在在研的癌症疫苗，绝大多数是治疗性的：给已经确诊的病人打，把病人自己的免疫系统发动起来去攻击肿瘤。
这个方向研究了很多年，一直没什么大的水花。真正让它热起来，是最近几年两件事撞到了一起：mRNA技术在新冠疫苗上证明了自己能快速量产，AI开始渗进疫苗设计的每一个环节。
2026年7月，克罗地亚萨格勒布大学的团队在《Frontiers in Genetics》上发了一篇综述，把AI在肽类癌症疫苗里的角色从头到尾捋了一遍：怎么从肿瘤突变里找到靶点，怎么预测哪些肽段真能激活免疫，最后怎么落到临床。
这篇就基于那篇综述写，跟大家聊两个问题：AI到底干了什么活，以及为什么说它还没到能"挑大梁"的地步。
先把两个词说清楚
肽类癌症疫苗，就是把一段段人工合成的肽（蛋白质的小碎片）打进体内，让免疫系统记住这些碎片，然后去追杀带着这些碎片的癌细胞。
碎片从哪来？来自新抗原（neoantigen）。
癌细胞分裂时会积累一大堆基因突变，有些突变会让细胞造出正常细胞里根本没有的异常蛋白。
这些蛋白被细胞里的"碎纸机"切碎后，会漏出一些肽段，其中能被免疫系统认出来的，就是新抗原。
正常细胞里没有这些东西，所以免疫系统盯着它们打，不会误伤自己人，这是新抗原疫苗最讨喜的地方。
但麻烦在于，一个肿瘤里可能同时存在几百上千个突变，真正能变成有效新抗原的凤毛麟角。
论文列了六道关卡，一个突变产生的肽段得同时闯过去：
1.在肿瘤里有足够的表达量；
2.能被蛋白酶体切成大小合适的片段；
3.能和病人自己的HLA分子（人类白细胞抗原）结合；
4.能被运到细胞表面展示出来；
5.能被T细胞受体认出来；
6.能激起强而持久的免疫反应。
六关哪一关没过，这个肽段就白瞎了。以前全靠人工一个一个试，慢且贵。
AI进来，就是替人干这六关里的快速筛选。
AI到底在里头干了什么活
论文里有一张全景图，把AI在肽类癌症疫苗里的分工画成了五个环节。原图我放下面了，先看整体，再逐个拆——
第一步是拿数据。
取病人的肿瘤组织和血液样本，做全外显子测序、全基因组测序或者RNA测序，同时把病人的HLA分型做了。
这是地基，不知道肿瘤里有哪些突变、病人是什么HLA类型，后面全白搭。
第二步是找突变。
把测序结果和正常基因组比对，挑出肿瘤特有的体细胞突变——单核苷酸变异、插入缺失、基因融合、剪接位点改变都算，再用RNA表达数据把那些根本不表达的突变过滤掉。
这一步能筛出几百上千个候选，但还远不是终点。
第三步是AI的主场，预测管线。
里面又分三层：先预测肽段能不能和病人的HLA结合，再预测能不能被蛋白酶体切开、被TAP转运、最终摆到细胞表面，最后预测摆出来之后T细胞认不认、能不能引发免疫反应。
三层一层套一层，每一层都会刷掉一批候选。
第四步是设计配方。
按AI打的分，把排名靠前的十几个到二十几个表位挑出来，做成疫苗，合成肽、mRNA，或者负载肽段的树突状细胞都行，再配上佐剂。
第五步是上临床。
疫苗打进去，看能不能激活CD8+和CD4+ T细胞，最后把肿瘤细胞干掉。
这一步是终审，前面AI吹得再玄，都得在这儿见真章。
最扎心的数字：608个候选，只有37个真有效
聊AI预测准不准，论文里有个数字我记到现在。
肿瘤新抗原选择联盟（TESLA）干过一件事：把608个被各种计算模型评为"高评分"的候选新抗原收齐，然后用实验挨个验证这些肽段到底有没有免疫原性。
结果：只有37个，6%，被实验确认真能引发免疫反应。
换句话说，AI在电脑里把分数打上天，到了真人的免疫系统面前，94%都是无效候选。
论文配了张图，专门解释这个"验证缺口"是怎么堆出来的——
图2：新抗原预测级联及其失败模式。上方绿色是当前AI模型能处理的计算过滤器，下方橙色是AI难以捕捉的生物过滤器，最终导致6%的验证率。
这张图把新抗原从突变到免疫原性的路拆成两排过滤器。
上排绿色是计算过滤器：测序、变异检测、翻译、加工。
这几个环节AI大致管得住，问题也相对好修。测序覆盖度不够、变异检测工具之间互相打架、亚克隆突变被漏掉、隐藏的肽段没被翻出来，都是工程问题。
下排橙色是生物过滤器：HLA结合、抗原呈递、TCR识别、效应阶段。这几个环节AI是真挠头，因为牵涉到活体里复杂的生物过程。
HLA结合预测偏科欧洲常见等位基因，呈递丰度的阈值说不清楚，胸腺耐受可能让某些肽段反而诱导出免疫抑制，T细胞受体库因人而异，肿瘤微环境里还有T细胞耗竭和免疫编辑捣乱。
作者自己的判断挺清醒：6%这个缺口不是某一关的锅，而是每一关都在损耗、一层层攒下来的。
想往上提验证率，光优化某一个AI模型没用，得在每一个环节都动刀，尤其是那些AI现在压根搞不定的生物过滤器。
现在手上都有哪些AI工具
论文把目前主流的AI预测工具对比了一遍（原文Table 1），按干的活可以分成两拨。
一拨管HLA结合预测，这是最成熟的方向，工具最多。
•NetMHCpan-4.1/4.0：应用最广，泛等位基因神经网络架构，喂进肽段序列和HLA等位基因，吐出结合亲和力评分。经过大量基准测试，已经嵌进了不少临床试验的管线。
•MHCflurry 2.0：前馈神经网络集成，在结合预测之外还加了抗原加工预测模块，开源，很多研究管线直接拿来用。
•MixMHCpred：走基序去卷积加位置权重矩阵的老路子，训练数据来自质谱免疫肽组学，学术圈常用。
另一拨管TCR识别预测，难得多，也前沿得多。
•NetTCR-2.x：卷积神经网络架构，在见过的表位上表现接近顶级，但没做过临床验证。
Transformer架构，见过面的表位效果不错，一碰到没见过的新表位就拉胯，同样没有临床验证。
•TCR-ESM：用蛋白质语言模型的嵌入来预测TCR-肽-MHC相互作用，还停在研究基准测试阶段。
•epiTCR：随机森林模型，没见过的新表位上表现还行，但也没过临床验证。
这两拨的成熟度差着一大截：HLA结合预测已经能上临床管线，TCR识别预测全军覆没、一个都没过临床验证。
论文还特意点了一句：不少TCR预测工具一到"没见过的新表位"上性能就暴跌，说明它们学到的很可能是训练集里的偏差，而不是TCR识别背后真正的规律。
临床走到哪一步了
预测工具再花哨，最后还是得看疫苗在病人身上灵不灵。
论文汇总了目前代表性的新抗原疫苗临床试验（原文Table 2），挑几个有看头的说。
KEYNOTE-942/mRNA-4157（默沙东+Moderna），目前关注度最高，针对黑色素瘤。
mRNA-lipoplex平台，最多编码34个新抗原。IIb期入组157人，和帕博利珠单抗（K药）联用后，无复发生存期的风险比0.561，18个月无复发生存率79%，对照组62%。
这个数据直接把III期试验推上了日程。
Autogene cevumeran/BNT122（BioNTech），同样是mRNA-lipoplex，最多编码20个新抗原。先在胰腺癌里试，后来扩展到黑色素瘤和结直肠癌。
I期16个病人里8个出现了免疫应答，其中6个的无复发生存期超过了13.4个月。
NeoVax（哈佛/达纳法伯），合成长肽疫苗，黑色素瘤方向。I期8个人，4人在25个月时还没复发。
胶质母细胞瘤队列，这是个真实世界研究，不算严格的临床试验，但结果有看头。
173个病人打了个性化新抗原肽疫苗，总生存期中位数31.9个月，90%的人出现了免疫应答。
要知道胶质母细胞瘤是预后最差的肿瘤之一，标准治疗的中位生存期通常只有15个月上下。
31.9个月确实亮眼，但因为是真实世界数据，没有对照组，还得等更严格的设计来验证。
整体盘一下：大多数新抗原疫苗还在I期或I/II期，只有KEYNOTE-942摸到了III期。
安全性上，主要不良反应就是注射部位反应和短暂的流感样症状，没看到严重的全身毒性报告。
卡在哪：三个绕不开的难题
论文花了大量篇幅讲AI驱动的癌症疫苗还差在哪，我读下来觉得有三个问题最要命。
头一个是训练数据的偏科。
HLA结合预测的训练数据严重偏向欧洲血统人群里常见的等位基因，对非洲、亚洲、美洲原住民人群的HLA类型覆盖不够。
模型没见过，预测自然不准，直接影响的是一大群人能不能公平地用上这种疫苗。
作者也承认，得靠更多元的数据采集和针对性的模型开发来补。
第二个是免疫优势（immunodominance）。
不是所有摆到细胞表面的肽段都能激起同等强度的反应，免疫系统会偏心——只对少数几个表位火力全开，其余的爱答不理。
预测哪些表位能成为"天选之子"，AI现在搞不定，因为这背后是抗原竞争、T细胞受体库差异、胸腺选择这些复杂过程。
更要命的是，肿瘤还会通过免疫编辑把那些免疫优势表位悄悄丢掉，让疫苗白打。
第三个是肿瘤微环境里的免疫抑制。
就算疫苗把T细胞激活了，它们钻进肿瘤组织也可能被"策反"。
PD-1/PD-L1通路、TGF-β信号、代谢限制、T细胞耗竭，层层压制。
所以现在的主流思路是新抗原疫苗和免疫检查点抑制剂（比如PD-1抗体）联用，先把肿瘤微环境的压制解开，让疫苗激活的T细胞能真刀真枪地干活。
但怎么搭配最有效，还在摸索。
这三个之外，还有制造和监管的坎。
个性化疫苗等于一人一苗，从测序到生产通常要几周，还得有灵活的生产线和严格的质量控制。监管机构也在头疼怎么审批这种"每批都不重样"的产品，目前没有成熟路径。
说点我自己的看法
读完整篇综述，我的真实感受是：AI确实在改变癌症疫苗的玩法，过去要熬几个月的新抗原筛选现在压缩到几周，预测准确性也在往上走。
KEYNOTE-942的IIb期数据、胶质母细胞瘤队列里31.9个月的中位生存期，都是实打实的进展，不是画饼。
但6%的验证率摆在那，像一盆冷水。
AI现在最擅长的是HLA结合预测这一关，而抗原呈递、TCR识别、免疫优势、肿瘤微环境这些真正决定成败的环节，AI还远没到能扛事的地步。
作者自己也说得很实在：AI是提效工具，不是万能钥匙，实验验证和临床转化一步都不能省。
还有一点我想单独提：目前拿得出手的数据基本集中在黑色素瘤这种"高突变负荷"的肿瘤上——突变多，新抗原就多，疫苗容易找靶子。
到了胰腺癌、胶质母细胞瘤这些"低突变负荷"的肿瘤，新抗原本来就少，设计难度直接翻倍。
AI能不能把这套打法推广到更多癌种，是后面最关键的一道题。
癌症疫苗这条赛道跑了快几十年，AI的入场让它头一回摸到了大规模临床应用的门槛。
当然，从6%的验证率到真的治好癌症，中间隔着十万八千里。
不过换个角度看，这道题已经从"能不能做"变成了"多久能做出来"。剩下的，就交给时间和大样本的临床数据吧。
参考来源：
资料来源：Brlek P, Kolić J, Bulić L, Škaro V, Primorac D. Artificial intelligence in peptide cancer vaccine design: from neoantigen discovery to immunogenicity prediction. Frontiers in Genetics, 2026, 17:1875066.
识别微信二维码，添加生物制品圈小编，符合条件者即可加入
生物制品微信群！
请注明：姓名+研究方向！
本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。
热门跟贴