麻省理工学院和哈佛大学拉贡研究所与麻省理工学院贾米尔诊所的合作团队在利用人工智能（AI）辅助开发T细胞疫苗候选物方面取得了重要里程碑。拉贡研究所的Gaurav Gaiha博士和麻省理工学院教授Regina Barzilay博士领导的研究团队在《自然·机器智能》杂志上发表了一项研究，介绍了MUNIS——一种设计用于预测CD8+ T细胞表位的深度学习工具，其预测准确性达到了前所未有的水平。这一进展有望加速针对各种传染病的疫苗开发。
该项目标志着拉贡研究所Mark和Lisa Schwartz AI/ML倡议的第一个重大成果，该倡议旨在整合人工智能、机器学习和转化免疫学，以预防和治愈全球重要的传染病。通过结合Gaiha实验室在T细胞免疫学方面的专长和Barzilay实验室在AI领域的开创性工作，研究团队——由共同第一作者Jeremy Wohlwend博士和Anusha Nathan博士领导——致力于解决疫苗开发中长期存在的挑战：快速而准确地识别外来病原体中的T细胞表位。表位是抗原中的特定区域，被人体的免疫细胞识别，对于激活靶向免疫反应至关重要。
传统方法在预测表位的速度和准确性方面往往不足。通过引入机器学习，研究人员现在可以更快、更高效地识别T细胞表位。MUNIS使用了一个超过65万个独特的人类白细胞抗原（HLA）配体的精心整理的数据集和尖端的AI架构，其性能显著优于现有的表位预测模型。该工具通过来自流感病毒、HIV和Epstein-Barr病毒（EBV）的实验数据进行了验证，并成功识别出了EBV中的新型免疫原性表位，这种病毒已经得到了广泛研究。
值得注意的是，MUNIS的准确性可与实验稳定性测定法相媲美，后者是另一种形式的表位预测方法。这表明MUNIS有可能减少实验室负担并简化疫苗设计流程。Barzilay博士表示：“这是我们在AI与免疫学交叉领域的第一篇论文。通过与Gaiha博士及其团队的合作，我们在这个迷人的领域中学到了很多，并对使用AI算法建模免疫系统的复杂性感到兴奋。”
MUNIS的成功开发离不开免疫学家和计算机科学家之间的合作。这种伙伴关系充分利用了每个团队的独特技能和专业知识，确保该工具在应对生物复杂性方面的有效性。Gaiha博士说：“这是一个人工智能应用的极佳范例，得益于计算机科学家和免疫学家之间共享的见解。这项工作的成功归功于该倡议将我们聚集在一起，从而为免疫学和疫苗设计创造了一种令人兴奋的新工具。”
这一突破的影响不仅限于疫苗研究。通过提供一种可靠的方法来预测哪些免疫优势表位最容易被免疫系统识别，MUNIS为癌症T细胞免疫疗法和自身免疫研究奠定了基础。在全球继续应对新兴传染病的背景下，像MUNIS这样的工具为提高应对能力带来了希望。
这一创新彰显了拉贡研究所致力于在免疫学和技术交汇处推进科学，以拯救生命和促进全球健康的承诺。
(全文结束)
