一、文章介绍T细胞受体TCR是适应性免疫系统的核心分子它们通过识别由主要组织相容性复合体MHC分子呈递的抗原肽片段表位启动下游信号级联反应从而清除病原体、病毒感染细胞和肿瘤细胞。在肿瘤免疫中源自体细胞突变的肽段新抗原构成了T细胞介导免疫监视的主要靶点。因此准确预测TCR-表位结合TEB对于新抗原疫苗设计、过继性T细胞疗法和自身免疫抗原鉴定等应用具有重大意义。然而实验方法如肽-MHC四聚体染色和T细胞功能测定成本高昂且通量低严重制约了大规模TEB数据的积累。尽管高通量测序技术已推动VDJdb、IEDB和McPAS-TCR等公共数据库的建立但现有数据相对于TCR的巨大多样性仍极为有限且存在表位混杂性导致的数据不平衡问题使得计算预测面临巨大挑战。近年来基于机器学习的TEB预测方法取得了显著进展。早期研究聚焦于构建表位特异性模型通过随机森林或高斯过程分类器为单个表位训练专用模型但这类方法严重依赖大量表位特异性TCR数据且缺乏泛化能力。随后研究者开发了能够预测任意肽-MHC表位的通用模型。TEINet采用迁移学习策略利用预训练编码器提取TCR和表位序列特征TEIM通过大规模序列预训练和关键残基空间相互作用建模提升泛化性pMTnet使用分阶段训练策略处理高维复杂性和数据稀缺场景GTE则率先引入图神经网络GNN建模TCR与表位之间的拓扑关系。然而现有方法仍面临三大核心挑战1标注数据有限——已确认的TEB对仅占可能组合的极小比例2未观测对中的假阴性噪声——将未知TCR-表位对简单视为负样本会引入大量潜在假阴性3图模型中的过平滑问题——传统GNN随着层数增加节点嵌入趋于收敛丧失判别能力。为系统性地解决上述挑战Xiangzheng Fu、Xinyu Zhang及其合作者在Bioinformatics上发表了题为“DynaTCR: a dynamic graph ensemble learning framework for TEB prediction”的研究论文提出了一个名为DynaTCR的动态图集成学习框架。DynaTCR的核心设计围绕三大创新展开。第一采用ESM-2蛋白质语言模型提取TCR β链CDR3区和表位序列的高质量嵌入并构建TCR-表位异构图将预测任务转化为边分类问题。第二设计了一个新型图正则化-方差保持聚合GR-VPA编码器——通过图正则化约束高密度节点表位通常比TCR具有更高的邻域密度对消息传播的主导影响通过VPA策略在消息传递过程中自适应保持节点嵌入的方差有效缓解深层GNN的过平滑和梯度不稳定问题同时集成全局注意力机制捕获长程依赖关系弥补局部邻域聚合的视野局限。第三开发了动态硬负样本集成学习策略——迭代更新训练中的负样本分布错误分类的负样本被保留以增强对困难样本的识别能力正确分类的负样本按一定比例替换为从未知TCR-表位池中新采样的候选。多个基学习器在不同负样本配置下独立训练集成时采用验证集优化的加权策略聚合预测。此外模型采用深度AUC最大化作为目标函数直接优化正负样本间的排序性能对数据不平衡和标签噪声具有鲁棒性。在TEINet、pMTnet、VDJdb和McPAS-TCR四个公共数据集上DynaTCR在严格TCR隔离评估协议下AUC和AUPR均显著优于GTE、TEINet等基线方法AUC提升4.0-8.2个百分点AUPR最高提升15.8个百分点。在最严格筛选的pMTnet数据集上AUC达到95.1%。在独立的基于PDB结构数据的测试集上DynaTCR仍取得72.6%的AUC验证了其卓越的泛化能力。二、算法原理介绍DynaTCR的算法设计围绕“特征编码与图构建 → GR-VPA编码器 → 动态负采样集成学习”三个核心步骤展开。一ESM-2特征编码与异构图构建。对每个TCR β链CDR3序列和表位序列通过ESM-2蛋白质语言模型提取高维上下文嵌入。然后构建异构二分图G(N,E,X)\mathcal{G} (\mathcal{N}, \mathcal{E}, \mathcal{X})G(N,E,X)其中TCR和表位为两类节点观察到的结合事件为正边未观测对为负边任务为边分类。图结构使模型能利用拓扑信息辅助预测弥补序列特征视角的局限。二图正则化-方差保持聚合GR-VPA编码器。该编码器旨在解决传统GNN在TEB预测中的三大问题高密度节点主导、过平滑、长程依赖缺失。首先图正则化对高密度节点表位的消息传播施加约束平衡异构图中的信息流。其次VPA策略在每层消息传递中自适应调整聚合权重显式保持节点嵌入的方差Var(H(l1))≈Var(H(l))\text{Var}(H^{(l1)}) \approx \text{Var}(H^{(l)})Var(H(l1))≈Var(H(l))防止深层网络中嵌入收敛同时稳定梯度防止爆炸或消失。第三全局注意力层基于标准缩放点积注意力Attention(Q,K,V)softmax(QKT/dk)VAttention(Q,K,V)\text{softmax}(QK^T/\sqrt{d_k})VAttention(Q,K,V)softmax(QKT/dk)V使每个节点能动态关注图中所有其他节点捕获长程依赖和全局上下文。三动态负采样集成学习与深度AUC最大化。初始训练集按1:1正负比例构建。训练中正样本固定负样本动态更新被当前模型预测为正的负样本硬负样本被保留被正确分类的负样本按比例ϵ\epsilonϵ替换为从未知TCR-表位池中新采样的负样本。这一策略迫使模型持续关注最困难的判别边界同时降低“将潜在真阳性误标为阴性”带来的噪声影响。mmm个基学习器在不同训练轮次的负样本配置下独立训练最终通过验证集优化的加权策略融合预测。目标函数结合二元交叉熵和深度AUC最大化损失LγLAUC(1−γ)LBCE\mathcal{L} \gamma \mathcal{L}_{\text{AUC}} (1-\gamma)\mathcal{L}_{\text{BCE}}LγLAUC(1−γ)LBCE。AUC损失直接优化正样本得分高于负样本得分的概率P(scorescore−)P(\text{score}_ \text{score}_-)P(scorescore−)对类别不平衡和负样本噪声高度鲁棒而BCE损失确保概率校准。三、总结DynaTCR是一个基于动态图集成学习的TCR-表位结合预测框架通过ESM-2蛋白质语言模型提取序列嵌入构建异构交互图利用图正则化-方差保持聚合编码器稳定消息传播、缓解过平滑并捕获长程依赖结合动态硬负采样和集成学习降低假阴性噪声。在四个公共基准数据集上DynaTCR的AUC和AUPR均显著优于现有最优方法独立PDB结构测试集上AUC达72.6%。其核心创新在于将蛋白质语言模型与图神经网络的拓扑建模能力结合通过动态负采样主动挖掘困难样本使模型在稀疏标注和标签噪声条件下仍保持优异判别能力。DynaTCR为免疫治疗靶点发现、新抗原疫苗设计和自身免疫病研究提供了强有力的计算工具。 【文献分享】DynaTCR：基于动态图集成学习的TCR-表位结合预测框架
一、文章介绍T细胞受体TCR是适应性免疫系统的核心分子它们通过识别由主要组织相容性复合体MHC分子呈递的抗原肽片段表位启动下游信号级联反应从而清除病原体、病毒感染细胞和肿瘤细胞。在肿瘤免疫中源自体细胞突变的肽段新抗原构成了T细胞介导免疫监视的主要靶点。因此准确预测TCR-表位结合TEB对于新抗原疫苗设计、过继性T细胞疗法和自身免疫抗原鉴定等应用具有重大意义。然而实验方法如肽-MHC四聚体染色和T细胞功能测定成本高昂且通量低严重制约了大规模TEB数据的积累。尽管高通量测序技术已推动VDJdb、IEDB和McPAS-TCR等公共数据库的建立但现有数据相对于TCR的巨大多样性仍极为有限且存在表位混杂性导致的数据不平衡问题使得计算预测面临巨大挑战。近年来基于机器学习的TEB预测方法取得了显著进展。早期研究聚焦于构建表位特异性模型通过随机森林或高斯过程分类器为单个表位训练专用模型但这类方法严重依赖大量表位特异性TCR数据且缺乏泛化能力。随后研究者开发了能够预测任意肽-MHC表位的通用模型。TEINet采用迁移学习策略利用预训练编码器提取TCR和表位序列特征TEIM通过大规模序列预训练和关键残基空间相互作用建模提升泛化性pMTnet使用分阶段训练策略处理高维复杂性和数据稀缺场景GTE则率先引入图神经网络GNN建模TCR与表位之间的拓扑关系。然而现有方法仍面临三大核心挑战1标注数据有限——已确认的TEB对仅占可能组合的极小比例2未观测对中的假阴性噪声——将未知TCR-表位对简单视为负样本会引入大量潜在假阴性3图模型中的过平滑问题——传统GNN随着层数增加节点嵌入趋于收敛丧失判别能力。为系统性地解决上述挑战Xiangzheng Fu、Xinyu Zhang及其合作者在Bioinformatics上发表了题为“DynaTCR: a dynamic graph ensemble learning framework for TEB prediction”的研究论文提出了一个名为DynaTCR的动态图集成学习框架。DynaTCR的核心设计围绕三大创新展开。第一采用ESM-2蛋白质语言模型提取TCR β链CDR3区和表位序列的高质量嵌入并构建TCR-表位异构图将预测任务转化为边分类问题。第二设计了一个新型图正则化-方差保持聚合GR-VPA编码器——通过图正则化约束高密度节点表位通常比TCR具有更高的邻域密度对消息传播的主导影响通过VPA策略在消息传递过程中自适应保持节点嵌入的方差有效缓解深层GNN的过平滑和梯度不稳定问题同时集成全局注意力机制捕获长程依赖关系弥补局部邻域聚合的视野局限。第三开发了动态硬负样本集成学习策略——迭代更新训练中的负样本分布错误分类的负样本被保留以增强对困难样本的识别能力正确分类的负样本按一定比例替换为从未知TCR-表位池中新采样的候选。多个基学习器在不同负样本配置下独立训练集成时采用验证集优化的加权策略聚合预测。此外模型采用深度AUC最大化作为目标函数直接优化正负样本间的排序性能对数据不平衡和标签噪声具有鲁棒性。在TEINet、pMTnet、VDJdb和McPAS-TCR四个公共数据集上DynaTCR在严格TCR隔离评估协议下AUC和AUPR均显著优于GTE、TEINet等基线方法AUC提升4.0-8.2个百分点AUPR最高提升15.8个百分点。在最严格筛选的pMTnet数据集上AUC达到95.1%。在独立的基于PDB结构数据的测试集上DynaTCR仍取得72.6%的AUC验证了其卓越的泛化能力。二、算法原理介绍DynaTCR的算法设计围绕“特征编码与图构建 → GR-VPA编码器 → 动态负采样集成学习”三个核心步骤展开。一ESM-2特征编码与异构图构建。对每个TCR β链CDR3序列和表位序列通过ESM-2蛋白质语言模型提取高维上下文嵌入。然后构建异构二分图G(N,E,X)\mathcal{G} (\mathcal{N}, \mathcal{E}, \mathcal{X})G(N,E,X)其中TCR和表位为两类节点观察到的结合事件为正边未观测对为负边任务为边分类。图结构使模型能利用拓扑信息辅助预测弥补序列特征视角的局限。二图正则化-方差保持聚合GR-VPA编码器。该编码器旨在解决传统GNN在TEB预测中的三大问题高密度节点主导、过平滑、长程依赖缺失。首先图正则化对高密度节点表位的消息传播施加约束平衡异构图中的信息流。其次VPA策略在每层消息传递中自适应调整聚合权重显式保持节点嵌入的方差Var(H(l1))≈Var(H(l))\text{Var}(H^{(l1)}) \approx \text{Var}(H^{(l)})Var(H(l1))≈Var(H(l))防止深层网络中嵌入收敛同时稳定梯度防止爆炸或消失。第三全局注意力层基于标准缩放点积注意力Attention(Q,K,V)softmax(QKT/dk)VAttention(Q,K,V)\text{softmax}(QK^T/\sqrt{d_k})VAttention(Q,K,V)softmax(QKT/dk)V使每个节点能动态关注图中所有其他节点捕获长程依赖和全局上下文。三动态负采样集成学习与深度AUC最大化。初始训练集按1:1正负比例构建。训练中正样本固定负样本动态更新被当前模型预测为正的负样本硬负样本被保留被正确分类的负样本按比例ϵ\epsilonϵ替换为从未知TCR-表位池中新采样的负样本。这一策略迫使模型持续关注最困难的判别边界同时降低“将潜在真阳性误标为阴性”带来的噪声影响。mmm个基学习器在不同训练轮次的负样本配置下独立训练最终通过验证集优化的加权策略融合预测。目标函数结合二元交叉熵和深度AUC最大化损失LγLAUC(1−γ)LBCE\mathcal{L} \gamma \mathcal{L}_{\text{AUC}} (1-\gamma)\mathcal{L}_{\text{BCE}}LγLAUC(1−γ)LBCE。AUC损失直接优化正样本得分高于负样本得分的概率P(scorescore−)P(\text{score}_ \text{score}_-)P(scorescore−)对类别不平衡和负样本噪声高度鲁棒而BCE损失确保概率校准。三、总结DynaTCR是一个基于动态图集成学习的TCR-表位结合预测框架通过ESM-2蛋白质语言模型提取序列嵌入构建异构交互图利用图正则化-方差保持聚合编码器稳定消息传播、缓解过平滑并捕获长程依赖结合动态硬负采样和集成学习降低假阴性噪声。在四个公共基准数据集上DynaTCR的AUC和AUPR均显著优于现有最优方法独立PDB结构测试集上AUC达72.6%。其核心创新在于将蛋白质语言模型与图神经网络的拓扑建模能力结合通过动态负采样主动挖掘困难样本使模型在稀疏标注和标签噪声条件下仍保持优异判别能力。DynaTCR为免疫治疗靶点发现、新抗原疫苗设计和自身免疫病研究提供了强有力的计算工具。