分享一篇发表在Science Advances上的文章，文章的标题为“Phage display enables machine learning discovery of cancer antigen–specific TCRs”，通讯作者是来自洛桑大学的David Gfeller老师和洛桑大学医院的Steven M. Dunn老师，前者的主要研究方向为细胞免疫，后者以临床工作为主。

靶向癌睾抗原NY-ESO-1的天然TCR通常具有较低亲和力（约10 μM），目前已有多种方法被用于设计治疗用高亲和力TCR。如噬菌体展示技术或计算机蛋白工程方法。然而这类改造TCR存在固有风险：可能交叉识别非目标表位的MHC呈递肽段，过高亲和力还会导致T细胞功能异常，甚至在没有同源肽段时对MHC分子产生反应。

为解决上述问题，作者通过噬菌体展示实验大规模收集识别NY-ESO-1表位的TCR序列，将所得数据整合至机器学习TCR-表位相互作用预测模型。

为解析识别NY-ESO-1表位的TCR特异性，作者构建了CDR3β环区多样化的大型TCR噬菌体展示文库。作为第一模板1G4，作者首先采用从黑色素瘤患者TCR库中分离的天然TCR。并引入两个亲和力增强型TCR（1G4-c50和1G4-c53c50）作为第二、第三模板（图1A）。

将TCR文库展示于噬菌体并进行筛选后，最终1G4模板获得598条独特NY-ESO-1特异性TCR序列；而1G4-c50和1G4-c53c50模板分别获得9889条和26308条序列（图1A）。所有模板均显示高度相似的序列特征：第2位点疏水氨基酸（亮氨酸、异亮氨酸、缬氨酸）和第3位点甘氨酸的显著富集。该结果表明，通过噬菌体展示CDR3β随机化TCR文库结合NY-ESO-1表位淘选，可获得具有重现性的CDR3β结合基序。

作者利用噬菌体展示获得的TCRβ序列，训练了针对NY-ESO-1的TCR-表位相互作用预测模型。作者基于MixTCRpred机器学习框架构建了专用预测模型（图2A）。五折交叉验证显示模型具有优异性能（图2B）。

为验证模型从天然TCR库中识别NY-ESO-1特异性TCR的能力，作者选取30条不同评分（涵盖多种CDR3β核心区长度）的TCRβ进行实验验证，包括阳性对照和评分-1.03的阴性对照。验证结果显示：结合活性高的TCR在各模型中均获高分。混合模型也呈现一致结果。

为验证MixTCRpred预测的NY-ESO-1结合性TCR功能，作者开展了多维度细胞活化实验。选取三种TCR进行测试：1）噬菌体展示数据中已鉴定的TCR（CDR3β：CASSNLGGLGELFF）；2）两条高分预测序列（CDR3β：CASSYVGNNGELFF与CASSYVGHRGELFF）；3）1G4模板TCR（CDR3β：CASSYVGNTGELFF）。结果显示实验结果表明，表达四种TCR中任意一种的Jurkat细胞，均能在不同肽浓度下被NY-ESO-1表位特异性激活（图3A）。在Me275细胞中液存在同样表现（图3B）。

最后，作者对CDR3β结合基序进行了结构分析（图4）。所有CDR3β环均保持与1G4结构相似的构象（图4A）。即使存在四个位点突变，前两个残基的Y94N和V95L突变也未显著改变α碳原子空间位置。而在CDR3β环核心区末端则预测出现更明显的结构重排，末端的两个氨基酸也呈现出更高B因子（图4B）。作者推测这可能与该位置与溶剂的可及性有关（图4C），溶剂暴露度和构象柔性为长度变异提供了结构容纳空间。

综上所述，作者将噬菌体展示技术与MixTCRpred机器学习预测模型相结合，实现了靶向NY-ESO-1特异性TCR的预测。

本文作者：ZYH

责任编辑：TZS

DOI：10.1126/sciadv.ads5589

原文链接：https://doi.org/10.1126/sciadv.ads5589