Science：免疫受体测序+机器学习开启疾病诊断新视界

斯坦福大学的研究人员近日开发出一种名为Mal-ID的分析框架，用来解读人体血液样本中BCR和TCR的可变序列，可同时筛查多种疾病或精确检测一种疾病。

　　

免疫组库浓缩了个人的感染史、疫苗接种情况等信息。斯坦福大学的研究人员近日开发出一种名为Mal-ID的分析框架，用来解读人体血液样本中BCR和TCR的可变序列，可以同时筛查多种疾病或精确检测一种疾病。

这项最新成果于2月21日发表在《Science》杂志上。据介绍，这种方法可检测特定感染、自身免疫性疾病、疫苗反应和疾病严重程度差异，在解释免疫反应方面具有广泛的潜力。

传统的诊断过程通常依赖于体检、实验室检测和影像学检查，但很少利用B细胞和T细胞上的受体信息。在诊断传染病时可对微生物病原体进行检测。然而，其他病症的诊断更具挑战性。

自身免疫性疾病的诊断可能需要结合影像学检查、自身抗体检测及血液中的其他异常指标，但这些结果可能无法给出明确的疾病分类。诊断过程会很漫长，而且可能因不同病症之间的症状不明确或重叠而变得更加复杂。

B细胞受体（BCR）和T细胞受体（TCR）让这些免疫细胞能够识别病原体上的特定抗原，并做出相应反应。在接触病原体或接种疫苗后，BCR和TCR群体都会发生变化，这反映了免疫反应过程中B细胞和T细胞的克隆扩增和选择。对BCR和TCR基因进行测序和解读，有望提供单一的诊断检测，实现多种疾病的同时评估。

于是，研究人员开发出一种名为Mal-ID（机器学习用于免疫学诊断）的框架，它将传统免疫学分析与从蛋白质语言模型中得出的更复杂特征相结合。尽管人工智能系统的结果往往难以解释，但他们开发出一些方法来理解该模型是如何做出诊断预测的。

他们生成了相同个体的BCR重链和TCR β链序列数据集，覆盖六种疾病或免疫反应状态，以此来训练和评估Mal-ID模型。Mal-ID能够从542名新冠感染者、HIV感染者、狼疮患者、1型糖尿病患者、流感疫苗接种者以及健康对照的血液样本中准确鉴定免疫状态，在未用于训练的数据上，AUROC曲线面积达到0.986。

尽管该模型经过训练可以对多个异质性类别进行分类，但它也能用于特定疾病的检测。在专门用于区分狼疮患者与其他患者时，分类器的灵敏度达到了93%，特异性达到了90%。与现有检测方法相比，这一性能表明BCR和TCR序列分析具有检测临床相关信号的潜力。

这项试验性研究表明，利用免疫受体测序数据能够区分一系列的疾病状态，并且在事先不了解抗原特异性受体模式的情况下，提取生物学信息。经过进一步的验证和扩展，Mal-ID有望成为临床工具，利用免疫受体群体中蕴含的大量信息进行医学诊断。