IMMREP25: Unseen Peptides

IMMREP25 竞赛结果显示，通过整合结构建模方法，预测模型在针对无实验数据支持的“未见”肽段时取得了显著优于随机猜测的预测性能（宏观 AUC_0.1 达 0.60），标志着 TCR:pMHC 相互作用预测领域的重要进展。

要点

这篇文章讲述了一场名为 IMMREP25 的“免疫预测大比拼”。为了让你轻松理解，我们可以把这场比赛想象成一场**“寻找失散多年的灵魂伴侣”**的侦探游戏。

🕵️‍♂️ 背景故事：免疫系统里的“锁与钥匙”

想象一下，你的身体里住着无数名为 T 细胞 的“巡逻警察”。这些警察手里拿着独特的 T 细胞受体（TCR），就像一把把形状各异的钥匙。

在身体里，其他细胞会展示一些小碎片（肽段，Peptide），这些碎片被放在一个展示架（MHC 分子）上。这整个组合（展示架 + 碎片）就像一把锁。

• 正常情况：如果警察（TCR）手里的钥匙能完美插入这把锁，警察就会拉响警报，消灭入侵者（比如病毒或癌细胞）。
• 挑战：以前，科学家手里有很多“钥匙和锁”的配对数据，知道哪些钥匙能开哪些锁。但这次比赛，科学家故意拿出了一堆从未见过的“新锁”（从未被记录过的病毒肽段），问参赛的 AI 模型：“请猜猜，这 1000 把新钥匙里，哪一把能打开这 20 把新锁？”

🏆 比赛规则：前所未有的难度

在以前的比赛（2022、2023 年）中，如果“锁”是大家见过的，AI 们表现不错，能猜对不少。但如果“锁”是全新的（Unseen Peptides），以前的 AI 就像瞎猜一样，准确率只有 50%（跟抛硬币没区别）。

IMMREP25 的目标就是打破这个僵局。

• 任务：预测 1000 个 T 细胞受体（钥匙）能否识别 20 个全新的病毒肽段（锁）。
• 参赛者：来自全球的 126 个团队，包括顶尖实验室和科技公司。
• 评判标准：看谁能最准确地从一堆“不匹配”的钥匙中，把真正能开锁的那把挑出来。

🚀 比赛结果：结构模型大获全胜

这次比赛的结果非常有趣，它揭示了一个重要的趋势：

1. 老方法失效了：以前那些只靠“背单词”（只看氨基酸序列，不看形状）的 AI 模型，面对新锁时完全懵了，表现和乱猜差不多。
2. 新方法胜出：表现最好的团队，都使用了一种**“三维建模”**的方法。
   • 比喻：以前的 AI 像是在看钥匙和锁的“文字描述”（比如“这把钥匙是红色的，锁是蓝色的”）。而这次获胜的 AI，像是在电脑里用 3D 打印机把钥匙和锁的模型打印出来，然后试着把它们插在一起，看能不能严丝合缝。
   • 关键工具：大家主要使用了 AlphaFold 3 等先进的蛋白质结构预测工具。这些工具能极其精准地预测蛋白质（钥匙和锁）在三维空间里的形状。

冠军是谁？
由 Philip Bradley 团队带领的方法（Bradley method）夺得了冠军。他们的策略是：

• 用 AlphaFold 3 把“钥匙”和“锁”的 3D 结构模拟出来。
• 然后仔细观察它们结合时的**“贴合度”**（就像看钥匙齿痕和锁芯是否完美咬合）。
• 最终，他们的预测准确率达到了 0.60（虽然离完美的 1.0 还有距离，但相比之前的 0.50 随机猜测，这是一个巨大的飞跃！）。

💡 核心发现与启示

1. 形状比名字更重要：对于从未见过的病毒，光看它的“名字”（氨基酸序列）是不够的，必须看它的“长相”（三维结构）。只有理解了它们长什么样，才能预测谁能和谁配对。
2. 计算很烧钱：这种“在电脑里造 3D 模型”的方法非常消耗算力。就像用超级计算机去模拟每一把钥匙开锁的过程，虽然准，但太慢了，没法一下子处理几亿把钥匙。
3. 未来的方向：现在的 AI 已经学会了“看结构”，下一步的目标是**“蒸馏”**。就像把一位天才大厨（结构模型）的厨艺，浓缩成一本简单的食谱（轻量级模型），让普通人也能快速做出美味佳肴，而不需要每次都动用整个厨房。

🌟 总结

这篇论文告诉我们，在预测免疫系统如何识别新病毒这个领域，“眼见为实”（结构预测）已经战胜了“道听途说”（序列匹配）。

虽然现在的 AI 还不能 100% 预测所有情况，但它们已经学会了像真正的生物学家一样，通过观察分子的三维形状来寻找线索。这为未来开发更精准的癌症疗法和疫苗诊断工具，点亮了一盏明灯。

一句话总结：以前的 AI 靠死记硬背猜答案，现在的 AI 学会了在电脑里“搭积木”看形状，终于能猜对那些从未见过的难题了！

技术摘要

以下是关于论文 IMMREP25: Unseen Peptides 的详细技术总结：

1. 研究背景与问题 (Problem)

T 细胞受体（TCR）识别由主要组织相容性复合体（MHC）分子呈递的肽段（pMHC），这是触发 T 细胞免疫反应的关键步骤。准确预测 TCR 与 pMHC 的结合对于临床诊断、治疗开发及基础免疫学研究至关重要。

• 现有挑战： 在之前的 IMMREP 竞赛（2022 和 2023 年）中，机器学习模型在预测“已知”肽段（即训练数据中已存在的肽段）的 TCR 结合时表现良好（中位 AUC_0.1 ≥ 0.7）。然而，对于**“未见”肽段（Unseen Peptides）**（即训练数据中完全不存在、且与已知肽段序列相似度极低的肽段），现有模型的表现未能优于随机猜测。
• IMMREP25 的目标： 本次竞赛专门针对“未见”肽段，旨在评估该领域的最前沿水平，探索在没有直接序列同源性数据支持的情况下，如何准确预测 TCR:pMHC 的相互作用。

2. 数据集与方法 (Methodology)

2.1 评估数据集构建

• 数据来源： 由 Adaptive Biotechnologies 提供，包含 1,000 个独特的 TCR 序列。
• 目标肽段： 20 个全新的病毒来源 9-mer 肽段，分别受限于两种 MHC 分子：HLA-A*02:01 和 HLA-B*40:01（每种 MHC 各 10 个肽段）。
• “未见”定义： 这些肽段与 IEDB、VDJdb 等公共数据库中的已知表位差异巨大（Levenshtein 距离 ≥ 4，且无超过 5 个连续氨基酸的共享子串）。
• 标签生成：
  • 正样本： 1,000 条 TCR-pMHC 结合记录（每个肽段 50 条）。
  • 负样本： 9,000 条非结合记录。利用 MIRA（Multiplex Identification of T cell Receptor-Antigen specificity）实验的互斥特性，将每个 TCR 对其余 19 个肽段的反应定义为负样本。
• 数据划分： 2 个肽段用于公开排行榜（Public Leaderboard），其余 18 个肽段用于私有排行榜（Private Leaderboard）的最终评估。

2.2 评估指标

• 主要指标： Macro-AUC_0.1（早期检索 ROC-AUC，最大假阳性率 FPR 设为 10%）。该指标针对私有集中的 18 个肽段分别计算后取平均值，以衡量模型在罕见结合事件中的排序能力。

2.3 参赛方法概览

共有 126 个命名提交，主要方法分为以下几类：

1. 结构建模方法（主导）： 利用 AlphaFold 3 (AF3)、Chai-1、Boltz-1 等新一代蛋白质结构预测工具，直接模拟 TCR-pMHC 复合物的三维结构，并提取置信度指标（如 pLDDT, ipTM, PAE）作为结合评分。
2. 序列/混合方法： 基于 ESM 等蛋白质语言模型进行微调（如 TAPIR3），或结合结构预测与序列特征（如 ImmuneWatch + Boltz-1）。
3. 传统/统计方法： 基于统计势（TCRen）或传统的对接打分（HADDOCK, SwiftTCR）。
4. 聚类策略： 许多团队尝试对 TCR 序列进行聚类，利用簇内相似性来平滑或增强预测分数。

3. 关键贡献与主要发现 (Key Contributions & Results)

3.1 性能突破

• 显著优于随机： 最佳方法的 Macro-AUC_0.1 达到了 0.60（Bradley 团队），显著高于随机猜测（0.50）。这表明在“未见”肽段场景下，预测能力取得了实质性进展。
• 整体表现分布： 73% 的提交优于随机，但只有 10.3% 的提交超过 0.55。这显示该任务依然极具挑战性。

3.2 结构建模的决定性作用

• 结构方法是赢家： 表现最好的前 15 名方法中，绝大多数（13 个）基于结构建模。
• AlphaFold 3 的崛起： 顶级方法（如 Bradley, Altin, Pierce, Wang）均使用了 AlphaFold 3 (AF3) 或其变体（如 TCRdock 流程）。
  • Bradley 方法 (冠军)： 使用 AF3-TD 流程，结合 AF3 的 pLDDT 指标（在肽段和 CDR 环上平均），Macro-AUC_0.1 为 0.601。
  • Altin 方法： 使用 AF3 预测复合物结构，利用 TCR-肽段界面的平均 PAE（预测对齐误差）作为评分，得分为 0.582。
  • Pierce 方法： 使用 AF3 的 inter-chain PAE 评分，得分为 0.576。
• 结论： 对于未见肽段，结构理解（Structural Understanding） 是预测 TCR:pMHC 相互作用的关键。仅仅依靠序列相似性或传统的机器学习模型已不足以解决此问题。

3.3 序列方法的局限性

• 纯序列方法（如 STAPLER, Macro-AUC_0.1 = 0.518）表现接近随机。
• TAPIR3 的例外： 这是一个基于序列输入但通过知识蒸馏学习结构指标（Chai-1 的 pTM/ipTM）的模型，表现优于部分原生结构方法（0.538），证明了从结构模型中提取隐式结构信息的有效性。

3.4 MHC 类型差异

• 模型在 HLA-A*02:01 上的表现显著优于 HLA-B*40:01。
• 原因： 训练数据（VDJdb, IEDB, PDB）中 HLA-A*02:01 的复合物结构数据极其丰富，而 HLA-B*40:01 的相关数据极少（PDB 中仅 1 个复合物），导致模型在后者上的泛化能力较弱。

3.5 聚类策略的效果

• 在公开排行榜（2 个肽段）上，聚类方法能显著提升性能。
• 但在私有排行榜（18 个肽段）上，聚类并未带来系统性的宏观性能提升，表明简单的序列聚类不足以解决未见肽段的泛化问题。

4. 意义与展望 (Significance)

1. 领域范式的转变： IMMREP25 的结果标志着 TCR:pMHC 预测领域从“序列相似性/统计学习”向**“结构建模”**的根本性转变。AlphaFold 3 等工具的出现使得直接模拟免疫复合物结构成为可能，并有效解决了未见肽段的预测难题。
2. 当前局限性：
   • 计算成本： 结构预测方法计算资源密集，难以直接应用于大规模 TCR 库（Deep Repertoire）的筛选。
   • 数据偏差： 模型性能高度依赖于 MHC 类型在训练数据中的分布（如 HLA-A*02:01 表现好，HLA-B*40:01 表现差）。
   • 精度仍有提升空间： 0.60 的 AUC 虽然显著优于随机，但距离临床应用所需的完美预测仍有差距。
3. 未来方向：
   • 知识蒸馏： 如 TAPIR3 所示，利用结构模型作为教师，训练轻量级的序列模型，以平衡精度与计算效率。
   • 专用评分函数： 探索是否需要在 AF3 原生置信度指标之外，开发针对 TCR-pMHC 特性的专用评分函数（本次竞赛中，原生指标往往优于专用评分函数）。
   • 下一代竞赛 (IMMREP26)： 预计将关注如何将这些结构方法扩展到更大规模的数据集，并解决计算效率问题。

总结： IMMREP25 证实了利用 AlphaFold 3 等结构预测工具进行 TCR:pMHC 结合预测在“未见”肽段场景下的有效性，确立了结构生物学方法在免疫信息学中的核心地位，同时也指出了计算效率和数据偏差仍是未来需要攻克的主要障碍。