約翰霍普金斯大學的一個工程師和癌症研究人員團隊開發出了一種深度學習技術，能夠準確預測與癌症有關的蛋白質片段，這些片段可能會觸發免疫系統的反應。如果這項技術在臨床測試中證明是成功的，那麼它就能解決在創造個性化免疫療法和疫苗方面的一個重大挑戰。

細胞毒性CD8+ T 細胞通過受體結合新抗原識別癌細胞。圖片來源：OpenAI 的DALL-E 2 生成的圖像

在7月20日發表在《自然-機器智能》（Nature Machine Intelligence）雜誌上的一項研究中，來自約翰霍普金斯大學生物醫學工程系、約翰霍普金斯大學計算醫學研究所、約翰霍普金斯大學金梅爾癌症中心和布隆伯格~金梅爾癌症免疫療法研究所的研究人員表明，他們的深度學習方法（名為BigMHC）可以識別癌細胞上能引起腫瘤細胞殺傷性免疫反應的蛋白質片段，這是了解免疫療法反應和開發個性化癌症療法的重要一步。

“癌症免疫療法旨在激活患者的免疫系統來消滅癌細胞，”生物醫學工程、腫瘤學和計算機科學教授、計算醫學研究所核心成員雷切爾-卡欽（Rachel Karchin）博士說。”這一過程的關鍵步驟是免疫系統通過T細胞與細胞表面的癌症特異性蛋白片段結合來識別癌細胞。”

引起這種腫瘤殺傷性免疫反應的癌症蛋白片段可能源自癌細胞基因構成的變化（或突變），稱為突變相關新抗原。每個患者的腫瘤都有一組獨特的此類新抗原，這些新抗原決定了腫瘤的異質性，換句話說，決定了腫瘤構成與自身的不同程度。科學家可以通過分析癌症基因組來確定患者腫瘤具有哪些與突變相關的新抗原。確定哪些新抗原最有可能觸發殺死腫瘤的免疫反應，科學家就能開發出個性化的癌症疫苗或定制的免疫療法，並為患者選擇這些療法提供依據。然而，目前鑑定和驗證觸發免疫反應的新抗原的方法耗時費錢，因為這些方法通常依賴於勞動密集型的濕實驗室實驗。

由於新抗原驗證需要大量資源，因此可用於訓練深度學習模型的數據很少。為了解決這個問題，研究人員通過一個稱為遷移學習的兩階段過程訓練了一組深度神經網絡BigMHC。首先，BigMHC 學習識別呈現在細胞表面的抗原，這是適應性免疫反應的早期階段，可以獲得許多相關數據。然後，BigMHC 通過學習後期階段（T 細胞識別）進行微調，而這一階段的數據很少。通過這種方式，研究人員利用海量數據建立了一個抗原呈遞模型，並對該模型進行了改進，以預測免疫原性抗原。

研究人員在一個大型獨立數據集上對BigMHC 進行了測試，結果表明它在預測抗原呈遞方面優於其他方法。他們還對研究共同作者、布隆伯格~金梅爾癌症免疫療法研究所（Bloomberg~Kimmel Institute for Cancer Immunotherapy）腫瘤學副教授凱莉-史密斯（Kellie Smith）博士的數據對BigMHC進行了進一步測試，發現BigMCH在識別可觸發T細胞反應的新抗原方面明顯優於其他七種方法。”BigMHC在預測免疫原性新抗原方面具有出色的精確性，”Karchin說。

“為最有可能獲益的患者子集量身定制癌症免疫療法是一項迫切的、尚未得到滿足的臨床需求，BigMHC 可以揭示驅動腫瘤異質性的癌症特徵，從而觸發有效的抗腫瘤免疫反應。”該研究的共同作者、胸部腫瘤學生物庫主任、約翰霍普金斯大學分子腫瘤委員會和精準腫瘤學分析領導者、金梅爾癌症中心腫瘤學副教授Valsamo”Elsa”Anagnostou 博士說。

該團隊目前正在擴大工作範圍，在幾項免疫療法臨床試驗中測試BigMHC，以確定它是否能幫助科學家從成千上萬的新抗原中篩選出最有可能引起免疫反應的抗原。

這項研究的第一作者本傑明-亞歷山大-阿爾伯特（Benjamin Alexander Albert）說：”我們希望BigMHC能為癌症免疫學家提供指導，幫助他們開發可用於多名患者的免疫療法，或開發可增強患者免疫反應以殺死癌細胞的個性化疫苗。阿爾伯特現在是加州大學圣迭戈分校的一名博士生。”

Karchin和她的團隊相信，BigMHC 和類似的基於機器學習的工具可以幫助臨床醫生和癌症研究人員高效、低成本地篩選大量數據，從而開發出更加個性化的癌症治療方法。Karchin說：”深度學習在臨床癌症研究和實踐中發揮著重要作用。”