近日，计算机与信息工程学院的刘辉教授团队在国际期刊《Nature Machine Intelligence》(自然·机器智能)上发表了题为“A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules”的研究论文。第一、第二作者分别是我校硕士研究生于辰鹏、计算机专业本科生方兴，刘辉教授为通讯作者，我校是唯一署名单位。

免疫检查点抑制剂已在多种肿瘤类型中展现出显著的临床疗效，但实际受益的患者比例仍然较低。肿瘤抗原与人类白细胞抗原I类分子(HLA)及T细胞受体(TCR)的结合决定了抗原呈递和T细胞激活过程，进而对免疫治疗应答起关键作用。传统实验方法依赖人工筛选，周期长、成本高等缺陷，如今使用AI技术进行抗原免疫原性预测成为了主流方法。现有方法大多采用单任务模型分别预测肽段与人类白细胞或T细胞受体的结合能力，但此类方法割裂了抗原呈递与T细胞激活的内在关联，导致对抗原免疫原性的评估存在片面性。此外，传统模型在跨数据集泛化能力、罕见肽段预测精度等方面表现不足，制约了其在临床决策中的应用。开发一种能够统一评估抗原免疫原性、且适配复杂临床场景的AI模型，成为领域内亟待突破的难题。

为此，刘辉教授团队提出UnifyImmun模型——一种基于交叉注意力机制的Transformer架构，通过同时预测肿瘤抗原与HLA及TCR的双重结合能力，实现对抗原免疫原性的系统性评估。研究团队创新性地采用交叠训练策略，使抗原肽段-HLA与抗原肽段-TCR两个预测任务形成特征增强闭环，在多个独立测试集上展现出超越现有单任务模型的性能优势，且预测结果与免疫治疗响应及患者生存期显著相关。通过注意力分数和积分梯度，模型还可解析抗原与免疫受体结合的关键氨基酸位点，为疫苗设计和个性化免疫治疗提供了重要的AI驱动工具。该成果标志着人工智能在精准预测抗原免疫原性、免疫治疗临床获益取得了突破性进展。

作者：计算机与信息工程学院（人工智能学院）；审核：高辉庆、万夕里