文章导读
面对病毒变异和肿瘤治疗，你是否意识到，决定抗体药能否生效的关键，往往就藏在蛋白质界面上一个极其微小的氨基酸突变里？但现实是，突变组合的数量级之大，让传统的逐一实验成了极其昂贵的“碰运气”游戏。即便有了 AI 模型，但在面对结构信息缺失或跨场景迁移时，预测结果往往极其不稳定。清华大学陈挺团队提出的 UniAIR 框架，通过一种反直觉的多模态融合策略，试图打破这个死局。它如何在数据不全的极端环境下，依然能精准预测突变效应？
— 内容由好学术AI分析文章内容生成，仅供参考。
近日，清华大学计算机系陈挺教授团队联合北京邮电大学、莫纳什大学、深圳大学研究团队，提出一种名为UniAIR（Unified Adaptive Immune Recognition）的人工智能算法，通过统一建模结合界面的多模态信息，在适应性免疫的不同结合体系和多种应用场景中实现了具有良好泛化能力的突变效应预测。这一成果有望加速病毒变异分析与抗体优化，为免疫治疗研究提供支持。
适应性免疫由体液免疫与细胞免疫两大体系组成，二者相互协同，构成机体长期防护与特异性应答的重要基础。这两种体系的核心机制分别是B细胞产生的抗体和T细胞受体（TCR）对抗原的精确识别与结合，而在它们相结合的界面上发生的氨基酸突变可能导致识别强弱和结合特异性改变，对抗体药物、病毒防护、肿瘤治疗、免疫疗法等产生直接影响。由于可能的突变组合数量巨大、对免疫分子相互作用的影响机制复杂，依靠实验逐一测试各类突变组合的成本与周期令研究人员难以承受，而人工智能模型则成为候选筛选与机制分析的重要工具。然而，既有方法多面向单一体系或单一任务设计，在数据来源不一、结构信息缺失等现实场景下，普遍存在预测稳定性不足、跨场景迁移困难等问题。
针对上述瓶颈，UniAIR通过模块化数据处理工具，将来源各异的免疫复合物信息统一整理为面向突变位点的结合界面表征；通过多模态模块融合蛋白质语言模型的进化序列信号与三维结构中的界面几何信息，并以多专家融合（MoFPE）策略综合多种结构视角下的预测结果；针对实验结构缺失、需使用预测结构作为输入的场景，研究团队进一步设计了轻量级的潜空间适配模块（UniAIR-LT），缓解预测结构与实验结构的不一致性。
UniAIR总体框架（a-e）及应用（f）
UniAIR的评估覆盖抗体-抗原、TCR-pMHC等典型体系，并涵盖抗体成熟、抗原逃逸、TCR-pHLA突变机制分析等多种场景。结果显示，UniAIR在多种免疫相关任务中取得了优于现有方法的预测精度与泛化能力；在结构信息不完整等更贴近实际应用的条件下依然保持较强性能。研究团队还将高通量的UniAIR预测与高精度的自由能微扰（FEP）相结合，形成大范围筛选与少量反馈结合的优化流程，能够在复杂的突变组合空间中进行多轮优化。相关成果为免疫识别机制解析以及治疗性抗体、肽疫苗等方向的定量预测与辅助设计提供了更加统一的方法基础。
研究成果以“面向适应性免疫识别的多模态通用突变效应预测框架”（Generalizable mutation-effect prediction across adaptive immune recognition via unified multimodal framework）为题，于5月27日发表于《自然·机器智能》（Nature Machine Intelligence）。
清华大学计算机系2021级博士生韩荣、莫纳什大学2024级博士生张昱矇、深圳大学教授刘晓鸿、深圳大学附属华南医院研究员付蕾为论文共同第一作者。清华大学计算机系教授陈挺、北京邮电大学教授王光宇、莫纳什大学教授宋江宁、深圳大学教授吴松为论文共同通讯作者。
研究得到国家自然科学基金、国家重点研发计划、科学探索奖、深圳市医学研究基金、澳大利亚国家健康与医学研究理事会等的支持。
论文链接：
https://www.nature.com/articles/s42256-026-01243-7
供稿：计算机系
编辑：李华山
审核：郭玲
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
又是实验室产物，啥时候能落地啊
预测结构输入的场景下准确性怎么样？有测试过吗
免疫这块确实需要AI来帮忙筛选，实验太费劲了
这个框架名字好高大上，看不懂但感觉好厉害🤔