从结构预测到蛋白互作，再到生成式蛋白设计， AI在蛋白质领域的进展已经快到让人产生一种错觉：蛋白质问题对AI来说是手到擒来的小菜一碟～
但实际上AI对与TCR-表位的预测还差点火候！不是AI不够行，而是TCR本身是AI非常不友好的生物学问题。
01
AI面临的问题很复杂
生物学中，传统αβ TCR识别的是肽-MHC复合物（pMHC）。
抗原蛋白先被细胞加工成短肽，再由特定人类白细胞抗原（HLA）呈递到细胞表面，TCR最后读取的是这个复合结构。
因此，一个完整的识别包含，TCR α链 + β链 + V/J基因 + 肽序列 + HLA背景。
这是TCR和抗体预测任务的重要的区别。
抗体当然同样复杂，但至少可以近似成“受体—抗原”的二元关系；
而TCR面对的是一个高度条件化的识别系统。同一条肽换一种HLA，展示方式就变了；同一个突变在不同患者身上，未必形成同一个可被T细胞识别的抗原。
而且过去的免疫组库技术又进一步增加了AI分析的困难！
大量历史数据只测TCR β链，有些数据库只保留CDR3，还有相当多数据没有αβ链的成对信息。
而且TCR理论上可以有10^16的量级，而一个患者实际能够采样到的TCR通常只有其中极小的一部分。
也就是说AI在试图用一个极小的观测集，去推断一个巨大得几乎不可能被完整覆盖的识别空间。
这就太难了，大海捞针～
02
负样本很难搞
AI处理TCR的方式大体分为两条线。
一条是从已知答案往外推，也就是从注释好的TCR—表位配对学习规律；另一条则是从整个免疫组库中寻找疾病、感染或治疗留下的克隆扩增和序列收敛信号。
但现实是AI模型越来越复杂，但数据却不是同步完整的；也就是说很多花里胡哨的模型可能建立在一个并不靠谱的数据基础上。
最棘手的 问题出现在“负样本”中！
正样本比较容易，确认某条TCR识别某个pMHC，然后标注。
负样本就麻烦了！
所谓的负样本可以理解成告诉AI这个配对不成立的数据
假设要训练AI回答TCR A会不会识别表位X
如果实验已证明TCR A能识别表位X，这就是一个正样本；如果实验在明确的HLA背景、相同检测条件下证明TCR A不识别表位 X，这是比较理想的负样本。
但问题是TCR可靠的负样本非常难做。举个例子，假设数据库里现在有：
这组数据的前两个是正样本，第三个就是理想的负样本。
AI要同时学习正的和负了两种样本，什么样的TCR会认这个表位，以及什么样的TCR不会认。如果只有正样本，AI学不到真正的决策边界。
但现实中的TCR数据库往往不这样。
比如数据库告诉我们TCR-001认MAGE-A3，但并没有它认不认另外一个表位，比如NY-ESO-1的数据。
为了训练模型，可能直接把TCR-001当成不识别NY-ESO-1的负样本。但数据库没记录不代表实验已经证明不识别NY-ESO-1。
TCR天然存在交叉反应。一条TCR可能并不只识别一个pMHC，可能同时识别多个不同的肽-MHC组合。
随手把数据库里没配对记录的TCR和表位组合起来当负样本，就有概率把一个其实能识别的组合错标成阴性，就成了所谓的假负样本。
比如，真实世界其实是：
TCR A → 识别表位1
TCR A → 也识别表位7
但数据库只记录了第一条，训练数据却可能被做成：
TCR A + 表位1 = 正样本
TCR A + 表位7 = 负样本
于是AI从一开始就在学错误的答案！
这和现在很多AI药物研发面对的问题非常像。算法越来越便宜后，真正贵的东西是谁能够持续生产可靠的标签。
TCR领域有一个经典案例。
Adaptimmune开发的靶向MAGE-A3的亲和力增强TCR曾出现严重心血管毒性，后续研究发现，这条工程化TCR会交叉识别心肌蛋白titin来源、由HLA-A1呈递的肽。
这个案例至今仍被TCR交叉反应研究反复引用。
对于工程化TCR而言，off-target预测本身就是核心药效学的一部分。
03
猜对了靶点，未必找到序列！
假设已经知道某条TCR识别某个pMHC，且没有发现明显交叉反应。
那对于TCR结构来说，是不是亲和力越高越好？未必！
TCR亲和力只是个免疫应答门槛。太低的话T细胞不被激活，但超过这个门槛，中和高亲和力间的差异也很难稳定预测最终哪个克隆扩得最多。
因为TCR的功能不是受体单因素决定的。
同一受体在感染、急性炎症和慢性肿瘤环境里，可能出现完全不同的克隆命运。抗原密度、持续时间、竞争克隆数量、组织归巢、抑制性微环境也在参与最终反应。
TCR决定了一个T细胞被招募和产生反应的概率，但最终克隆扩增、分化、持续和耗竭是受体与环境共同作用的结果。
如果AI平台按结合最强 → 信号最强 → 杀伤最强的逻辑去排序候选TCR，可能会错过真正的好东西。
TCR可能有一个“刚刚好”的功能区间，太弱过强都不行。于是AI要有一个辩证的判断，在什么环境下，以什么强度，最后会把这颗T细胞带向什么命运。
结语：未来有壁垒的TCR AI公司，需要的不只是一个更大的模型。要有一套能持续制造高质量数据的实验体系。
理想的数据应该包涵：αβ链 + V/J使用 + HLA + 表位 + 结合 + 功能 + 细胞表型 + 组织来源 + 临床结局。这也是TCR研究越来越依赖单细胞、多组学和功能筛选的原因。
文章有点长，相关参考资料欢迎扫码，到胖猫的知识星球获取～
热门跟贴