Core Framework & Diagram What Is Immune AI?
7 月 23, 2026Core Framework & Diagram What Are Immune Predictive Models?
7 月 23, 2026当AI开始读懂免疫系统的语言，医学进入了一个新时代
—— 免疫AI（Immune AI）：从抗体设计到临床决策，人工智能如何重塑免疫医学
1. AlphaFold：当AI学会读懂蛋白质的折叠语言
2021年，DeepMind发布的AlphaFold2，在蛋白质结构预测领域实现了划时代的突破——它能从氨基酸序列，以接近实验分辨率的精度，预测蛋白质的三维结构，而且速度是传统实验方法（X射线晶体学、冷冻电镜）的数百万倍。 在免疫学里，这个突破的意义是深远的： 抗体-抗原相互作用预测——理解抗体如何与病毒或肿瘤抗原结合，是抗体药物和疫苗设计的基础。AlphaFold让研究者能在不做实验的情况下，快速预测抗体-抗原复合物的结构，加速抗体的优化设计 新抗原MHC呈递预测——MHC分子（HLA）与新抗原肽的结合，是免疫系统能否识别癌变细胞的前提。AI模型（如NetMHCpan、MHCflurry）能从蛋白质序列预测哪些肽段能与特定HLA分子结合，这是个体化肿瘤疫苗（第122篇）新抗原筛选的核心计算工具 TCR-pMHC结合预测——T细胞受体（TCR）与肽-MHC复合物（pMHC）的结合预测，是免疫AI里最具挑战性的问题之一。AlphaFold3（2024年发布）引入了对蛋白质-核酸和蛋白质-小分子复合物的预测能力，开始涉及TCR-pMHC的结构预测，为T细胞功能的计算理解打开了新的可能
2024年，AlphaFold3和RoseTTAFold All-Atom等更新版本的发布，进一步扩展了预测能力到抗体-抗原复合物、蛋白质-DNA-RNA复合物，以及蛋白质-小分子（药物分子）的结合预测，把AI结构预测推向了全面覆盖生物分子互作的新阶段。
|
AlphaFold把"读懂蛋白质折叠"这个被誉为生物学"圣杯"的问题 从需要数十年和数十亿美元实验的领域 变成了一个几秒钟的计算问题 免疫学里几乎所有需要"理解蛋白质如何相互作用"的问题，都因此被根本性地加速了。 |
2. AI与TCR库：从数百万条序列里寻找意义
TCR（T细胞受体）库，是免疫系统里信息密度最高的数据之一——每个人的外周血里有数百万甚至数亿条不同的TCR序列，每条序列都代表一个T细胞克隆的抗原识别能力。 从这海量的序列里提取有意义的信息，是一个标准的AI擅长的问题。 主要的AI应用方向： TCR-pMHC特异性预测——给定一条TCR序列，预测它能识别哪种肽-MHC复合物（即它"专门针对"什么抗原）。这对于从肿瘤患者的TCR库里识别出肿瘤特异性T细胞克隆，以及设计个体化ACT疗法（第122篇），极其重要。代表性AI模型：ERGO、NetTCR、TITAN等 公共序列识别——不同个体对同一种病原体（如CMV、EBV、流感病毒）往往会产生含有相似序列特征的T细胞克隆（"公共序列"）。AI能从大规模TCR库数据里，系统识别这些公共序列，建立"TCR-抗原配对数据库"（如VDJdb、McPAS-TCR），为免疫诊断和治疗靶点发现提供资源 免疫衰老的TCR标志物——通过比较不同年龄人群的TCR多样性和克隆组成，AI能识别免疫衰老的TCR特征（多样性下降、TEMRA相关克隆扩增、CMV特异性克隆比例升高），为免疫年龄评估提供分子层面的标志物
3. AI驱动的抗体发现和优化
抗体药物（单克隆抗体、双特异性抗体等）是生物医药里最重要的药物类别之一，约占全球生物制剂市场的一半以上。传统的抗体发现，依赖于动物免疫、杂交瘤、噬菌体展示等实验方法，耗时数月到数年，成本极高。 AI正在根本性地改变抗体发现的速度和策略： 大型语言模型用于抗体设计——把蛋白质序列当作"语言"，在数亿条抗体序列上训练的语言模型（如ProtTrans、ESM系列），能预测给定抗体序列的功能特性，生成高亲和力的新序列，以及优化已有抗体的稳定性和免疫原性。Absci、BigHat Biosciences、Generate Biomedicines等公司，正在把这类AI工具商业化。
结构-功能关系学习——结合AlphaFold的结构预测和大量实验数据，AI能学习抗体结构特征（CDR区域的氨基酸组合）和结合亲和力之间的关系，指导理性的抗体工程化改造 人源化抗体优化——来自动物（如小鼠）的抗体，在用于人体之前，需要"人源化"——替换不同于人类免疫球蛋白的氨基酸，避免人体产生抗体免疫反应。AI能快速预测哪些位置的替换，能在保持亲和力的同时，最大化地人源化抗体序列，加速这个过程
4. 临床预测模型：从数据到决策
在肿瘤免疫治疗的临床实践里，有一个长期困扰医生的问题：同样的治疗，哪些患者会响应，哪些不会？ 这不只是学术问题——免疫治疗（尤其是CAR-T和造血干细胞移植）有相当大的风险和副作用，如果能在治疗前更准确地预测响应可能性，就能避免让那些大概率不响应的患者承受不必要的治疗风险。 AI临床预测模型，通过整合多维度的输入数据（基因组数据、转录组数据、临床特征、治疗历史），训练预测治疗响应或疾病进展的模型。代表性应用： 免疫检查点抑制剂响应预测——整合TMB、PD-L1表达、MSI状态、肿瘤微环境组成的AI模型，比单一生物标志物有更高的预测准确性 CAR-T细胞因子释放综合征（CRS）风险预测——治疗前的免疫状态数据（IL-6基线、铁蛋白水平等），结合AI模型，能在治疗前预测哪些患者会发生严重CRS，指导预防性干预 移植后GVHD早期预警——异基因造血干细胞移植后，基于早期血液免疫监测数据的AI模型，能在GVHD临床症状出现前数周，预警高风险患者，为预防性干预提供窗口 这些模型，都需要大量的高质量训练数据，以及严格的前瞻性临床验证。目前最好的模型，在回顾性验证里有相当好的准确性，但在前瞻性真实世界应用里的表现，还需要更多数据积累。
|
AI临床预测模型，不是要取代医生的判断 而是把数十万例患者的数据里提炼出的规律， 压缩成一个可以在几秒钟内给出参考意见的工具 医生的经验+AI的数据，是比任何一个单独使用都更好的组合。 |
5. 生成式AI与免疫学：从分析到创造
生成式AI（Generative AI）在免疫学里的应用，代表了AI从"分析已有数据"向"创造新的分子和策略"的升级。 关键的生成式AI应用： 从头设计新型抗体——不从已有抗体库里优化，而是直接用AI生成针对特定靶点的全新抗体序列。这种"从头设计"的方法，能探索自然进化从未达到的抗体结构空间，可能发现具有更高亲和力或更好特性的新型抗体 AI设计的新抗原肽疫苗——除了从患者肿瘤突变里找天然新抗原，AI正在被用于设计"最优的抗原肽序列"——不是某个真实的突变，而是一个最有可能被特定HLA呈递、且最容易被T细胞识别的理想化肽序列 大型语言模型（LLM）在免疫学文献理解里——类似ChatGPT的模型，被专门用免疫学文献训练后，能辅助研究者快速提取数百篇论文里的关键发现，生成研究假设，以及辅助实验方案设计 生成式AI在药物设计领域最有代表性的成果之一，是Insilico Medicine在2024年获得FDA临床批准的AI设计的抗纤维化药物——这是第一个完全由AI设计（靶点识别+分子生成）的药物进入临床试验。虽然不直接是免疫药物，但它证明了AI"从头设计药物"这条路的可行性。
问答专区