IF36.1｜ImmunoMatch：用机器学习预测抗体轻重链配对

AI模型从序列中学习抗体轻重链配对规则，揭示B细胞成熟中的配对优化。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

抗体由重链（H）和轻链（L）组装而成，其配对稳定性对抗体功能至关重要。在体内，B细胞发育过程中会经历检查点，淘汰不稳定或自反应的H-L配对，保留能形成稳定受体的细胞。然而，H-L配对是否具有序列特异性一直存在争议。早期结构分析表明H-L界面由CDR和框架区共同构成，但基于小样本的统计研究未能得出一致结论。单细胞测序技术提供了大量天然配对的H-L序列，为研究配对规则提供了数据基础。已有一些AI模型尝试从配对数据中学习，但尚未系统解决H-L配对预测问题。

科学问题

卡在哪里： 此前研究受限于缺乏大规模配对的H-L序列数据，且未充分考虑轻链类型（κ和λ）的差异。此外，由于体内天然淘汰了不稳定配对，缺少真正的负样本，导致模型训练困难。现有方法在预测H-L配对时准确率有限，且未探索其在空间转录组等无单细胞分辨率数据中的应用。

本文要回答： 开发一个机器学习框架，从序列中学习抗体H-L配对规则，区分天然配对与随机配对，并应用于B细胞发育研究和抗体发现。

技术路线

作者主要用了：单细胞BCR测序、蛋白质语言模型（AntiBERTa2）、空间VDJ测序、机器学习。

作者从多个单细胞BCR数据集中提取天然配对的H-L序列作为正样本，通过交换轻链生成伪负样本，构建平衡训练集。比较了基于基因使用、CDR3序列和全长序列的多种模型，发现基于AntiBERTa2的微调模型性能最佳。进一步根据轻链类型（κ或λ）分别训练专用模型，以捕捉不同轻链的配对特征。最终模型用于空间转录组数据中的H-L配对重建、B细胞发育阶段分析以及治疗性抗体的序列敏感性评估。

图 1　Fig. 1。图1展示了抗体H-L界面结构及模型训练流程。a部分显示VH-VL界面由CDR和框架区共同构成；b部分说明正负样本构建策略；c部分量化了界面中各区域的贡献；d-f比较了不同模型架构的性能，最终基于AntiBERTa2的ImmunoMatch在测试集上AUC-ROC达0.75，外部验证为0.66。

核心亮点

亮点 1｜全长序列模型优于CDR3或基因使用

作者首先测试了仅使用V/J基因使用或CDR3序列的模型，发现逻辑回归和XGBoost的准确率仅约0.5，CNN模型也仅略好。而基于AntiBERTa2的全长VH-VL序列微调模型（ImmunoMatch）在测试集上AUC-ROC达到0.75，在外部数据集上为0.66。这表明框架区残基对H-L配对有重要贡献，仅靠CDR3或基因使用不足以捕捉配对信号。

图 2　Fig. 2。图2比较了κ和λ轻链的序列差异及模型性能。a部分显示κ和λ序列平均一致性仅47.8%；b部分展示分别训练ImmunoMatch-κ和ImmunoMatch-λ的策略；c-d部分显示轻链特异性模型将配对分数分布从0.5附近推向1；e部分显示ImmunoMatch-κ和ImmunoMatch-λ在各自测试集上准确率分别为0.817和0.764，且ImmunoMatch-λ对κ数据也有较好泛化。

亮点 2｜轻链特异性模型显著提升性能

由于κ和λ轻链序列差异较大（平均序列一致性仅47.8%），作者分别训练了ImmunoMatch-κ和ImmunoMatch-λ。在各自测试集上，ImmunoMatch-κ准确率达0.817，ImmunoMatch-λ达0.764，均优于原始模型。有趣的是，ImmunoMatch-λ在κ数据上仍保持较高准确率，而ImmunoMatch-κ在λ数据上性能下降。作者认为这与B细胞发育中κ重排失败后才进行λ重排的生物学过程有关，使得λ配对数据更具同质性。

图 3　Fig. 3。图3展示ImmunoMatch在空间转录组数据中的应用。a部分显示单细胞数据中配对分数的分布；b部分比较了ImmunoMatch分数与Engblom等人‘repair’分数，发现两者结合可提高配对识别准确性；c部分展示在肿瘤切片上预测的H-L对空间分布，表明ImmunoMatch能补充基于共定位的方法。

亮点 3｜空间转录组中重建H-L配对

作者将ImmunoMatch应用于Engblom等人的乳腺癌空间VDJ数据，该数据无法直接获得单细胞水平的H-L配对。通过计算配对分数，ImmunoMatch能够识别出与单细胞数据重叠的H-L对，并与基于共定位的‘repair’方法互补。这为空间转录组学中的抗体配对分析提供了新工具。

图 4　Fig. 4。图4展示B细胞成熟过程中配对分数的变化。a部分显示记忆B细胞配对分数显著高于naive B细胞，GC B细胞居中；b部分展示克隆树中配对分数随突变增加而升高；c部分显示重链类别转换和突变水平与配对分数正相关；d部分显示白血病和淋巴瘤样本的配对分数差异，反映其起源的成熟阶段。

亮点 4｜配对分数随B细胞成熟而升高

分析来自naive、生发中心（GC）和记忆B细胞的配对序列，发现记忆B细胞的配对分数显著高于naive B细胞，GC B细胞介于两者之间。进一步分析显示，随着重链类别转换（从IgM/IgD到IgG/IgA）和体细胞高频突变水平增加，配对分数也升高。在白血病和淋巴瘤样本中，起源于前B细胞的白血病配对分数低，而淋巴瘤配对分数高，反映了不同成熟阶段的特征。

图 5　Fig. 5。图5展示ImmunoMatch对治疗性抗体的序列敏感性。a部分概述实验设计：保留CDRH3，随机生成VH并与原始VL配对评分；b部分显示天然配对分数显著高于随机配对；c部分显示序列一致性高时配对分数差异小；d部分定位了导致分数差异的关键残基，主要位于CDRH1、CDRH2和框架区界面位置。

亮点 5｜对治疗性抗体的序列差异敏感

作者模拟了抗体筛选场景：对625个治疗性抗体，保留其CDRH3，随机生成VH序列并与原始VL配对评分。结果显示，随机配对的分数显著低于天然配对（P<2×10^-16）。当随机VH与天然VH序列一致性≥80%时，配对分数差异通常较小；但若差异位于CDRH1、CDRH2或框架区面向VL的界面位置，则分数差异显著。这证明ImmunoMatch对H-L界面关键残基敏感。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 单细胞BCR测序、蛋白质语言模型（AntiBERTa2）、空间VDJ测序、机器学习
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事抗体工程、B细胞免疫学或空间转录组分析的研究者。

带走一句

做抗体配对分析时，别只看CDR3或基因使用，全长序列和轻链类型特异性模型能显著提升预测准确性。