约翰霍普金斯大学的研究人员开发了一种深度学习技术，能够准确预测与癌症相关的蛋白质片段

约翰霍普金斯大学的研究人员开发了一种深度学习技术，能够预测癌症相关的蛋白质片段

约翰霍普金斯大学的工程师和癌症研究人员共同开创了个性化癌症治疗的突破，他们利用尖端的深度学习技术开发了BigMHC。这一创新有望通过准确预测可能刺激免疫系统反应的与癌症相关的蛋白质片段，彻底改变该领域。这项成果发表在《自然机器智能》杂志上，预计将解决制定个性化免疫疗法和癌症疫苗的重要难题。

这个由约翰霍普金斯大学不同部门的工程师和癌症研究人员组成的团队，已经证明了BigMHC能够识别癌细胞上的蛋白质片段。这些片段有可能激活免疫反应，以消除癌细胞。这个识别过程通过T细胞与细胞表面上的癌特异性蛋白质片段结合，是癌症免疫疗法的一个关键阶段。借助深度学习的力量，这项技术有望加速对免疫疗法反应的理解和定制癌症治疗的开发。

刺激免疫反应的蛋白质片段通常来源于癌细胞内的遗传变异，被称为突变相关新抗原。每个患者肿瘤中这些新抗原的独特组合决定了肿瘤与健康细胞之间的差异程度。识别出能触发免疫反应的最有效新抗原对于定制有效的癌症疫苗和免疫疗法以及指导患者选择这些治疗方法至关重要。然而，传统的识别和验证此类免疫反应触发新抗原的技术劳动密集且昂贵，严重依赖耗时的湿实验室实验。

• DeepMind研究人员推出AlphaStar Unplugged：通过掌握实时策略游戏StarCraft II，实现了大规模离线强化学习的重大突破
• 生成式人工智能项目生命周期
• 研究者探索与孩子们谈论在线隐私的最佳实践

为了解决由于新抗原验证的资源密集性而导致训练深度学习模型可用数据稀缺的问题，研究人员采用了两阶段的迁移学习方法来训练BigMHC。首先，BigMHC学习识别细胞表面上的抗原，这是一个具有大量可用数据的免疫反应阶段。随后，它被精确调整以预测T细胞的识别，这是一个数据可用性有限的后续阶段。这一策略使研究人员能够构建一个全面的抗原呈递模型，并对其进行改进，以有效预测免疫原性抗原。

对广泛独立数据集的BigMHC的实证测试显示，它在预测抗原呈递方面的准确性优于其他现有方法。此外，当应用于研究人员提供的数据时，BigMHC在识别触发T细胞反应的新抗原方面明显优于其他七种替代技术。这一成就不仅展示了BigMHC的出色预测精度，还表明其在个性化癌症免疫疗法中的潜力。

随着该团队在多个免疫疗法临床试验中进一步研究BigMHC的实用性，该技术在筛选适用于多个患者的有前景的新抗原以触发免疫反应方面的潜力越来越明显。最终目标是利用BigMHC指导开发适用于多个患者的免疫疗法或定制疫苗，以增强个体对癌细胞的免疫反应。

通过采用BigMHC等基于机器学习的工具，研究人员展望未来，临床医生和癌症调查人员可以高效地处理大量数据集，为癌症治疗提供更高效、更经济、更个性化的方法。正如这项开创性工作所展示的那样，将深度学习整合到临床癌症研究和实践中，标志着通过创新技术和跨学科合作征服癌症的重要一步。