使用AI分析细胞受体以确定免疫疗法和疫苗反应

约翰·霍普金斯大学的科学家已经使用一种人工智能形式创建了一个地图，该地图比较了细胞受体的类型，即免疫系统T细胞表面的化学“天线”。他们对实验室生长的小鼠和人类T细胞的实验表明，患有这类受体的癌症患者可能对免疫疗法的药物和疫苗反应更好。

关于科学家如何创建和测试他们所谓的“ ImmunoMap”的报告于12月20日发表在《癌症免疫学研究》上。

约翰·霍普金斯大学医学院病理学，医学和肿瘤学教授，成员之一乔纳森·施内克(Jonathan Schneck)博士说：“ ImmunoMap使科学家们了解了免疫系统对细胞抗原的反应的多样性。约翰·霍普金斯·金梅尔癌症中心。

T细胞上的受体识别抗原或触发免疫反应的其他细胞碎片，特别是抗体。如果抗原是外来的，则T细胞会在免疫系统内发出警报，它可以分发“所有要点公告”，以寻找不熟悉的抗原。

由于诸如癌症之类的疾病往往会避开T细胞受体的检测，从而使肿瘤不受控制地生长，因此科学家长期以来一直在寻求这一过程的“知识”，以作为开发针对恶性细胞的疗法的手段，而将健康细胞置于一身。

约翰·霍普金斯大学生物医学工程医学博士/博士说：“当今的许多免疫疗法都建立在我们了解这些抗原的前提下。”学生John-William Sidhom。“但是实际上，我们对它们以及识别它们的T细胞的了解并不多。”

为了满足这一需求，Sidhom使用了强大的计算功能，建立了人类T细胞受体的基因组序列数据的数学模型(基本上是数字地图)，该T受体在实验室中暴露于病毒。Sidhom说：“我们的目标是将相似且可能靶向相同抗原的T细胞受体聚集在一起。”

使用无监督学习算法，该团队能够根据受体序列的相似性将T细胞受体测序数据转换为数字距离，并通过功能特异性将其聚类。例如，如果两个受体序列相似，则计算机在两个序列之间分配一个短距离等级。如果序列不同，则它们获得的距离等级更长。

一旦将数千个序列转换为这些“距离”度量标准，计算机系统的人工智能算法便会在受体之间寻找模式。

Schneck说：“通过表征受体序列之间的相互联系，我们便获得了ImmunoMap。”“非常相似的T细胞受体，其序列略有不同，可能是在识别相同的抗原。”

约翰霍普金斯大学的团队测试了ImmunoMap的免疫反应能力，该免疫反应与来自参与免疫疗法药物nivolumab的一项全国性临床试验的34例癌症患者的T细胞受体测序数据的免疫反应相关的能力。

在34名患者中，三名黑色素瘤患者对nivolumab有反应，其余患者无反应。在反应者中，科学家发现了更多(平均15个)不同的T细胞受体簇，而无反应者中则有8到9个。

科学家们还发现，在接受nivolumab治疗4周后，应答者中T细胞受体的多样性降低了10-15%。

Schneck说：“这些患者在接受治疗之前就拥有各种各样的受体武器，这可能使正确的受体杀死了癌细胞。”一旦他们的免疫系统找到了正确的受体，表达那些受体的T细胞就会增加，从而导致其T细胞受体的结构多样性整体下降。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！