### TCR-表位相互作用預測模型的系統性評估與啟示

#### 研究背景與核心問題
T細胞受體（TCR）與表位的特異性結合是免疫識別的核心機制，但傳統實驗方法（如多聚體結合實驗、體外刺激）存在高通量不足、成本高昂的問題。近年來，基于深度學習的預測模型（如DeepTCR、NetTCR）在TCR-表位預測中取得進展，但其性能差異和泛化能力仍缺乏系統性評估。本研究通過整合21個權威數據庫中的762個表位和數百萬個TCR-表位對，構建了首個包含50種主流模型的基準測試框架，揭示了當前模型的性能瓶頸與改進方向。

#### 關鍵發現與解析

**1. 模型性能與數據特征的關系**
- **負樣本來源的敏感性**：模型對負樣本（non-binders）的來源高度敏感。使用抗原特異性（AS）負樣本的模型在內部測試集上表現優異（AUPRC最高達0.83），但切換至獨立測試集（尤其是跨數據源）時性能驟降。相比之下，患者來源（PS）和健康來源（HS）負樣本的模型雖在內部測試中排名靠后，但外推性能更穩定。例如，使用PS負樣本的vibtcr模型在獨立測試集上AUPRC提升12%。
- **特征數量的權衡**：引入MHC類、α鏈CDR3α等多特征后，模型在已知表位預測上性能提升有限（平均AUPRC增加約3%），但在未見表位預測中仍表現較差（多數模型AUPRC低于0.5）。這表明當前模型尚未充分挖掘多模態特征的有效性。

**2. 數據規模與模型泛化的非線性關系**
- **TCR-表位對數量的閾值效應**：當表位關聯的TCR數量超過300個時，模型性能顯著提升（如epiTCR的AUPRC從0.45躍升至0.78）。但超過500個TCR后性能趨于飽和，表明數據冗余可能掩蓋模型學習能力。
- **低豐度場景的失效**：當正樣本占比降至0.1%（如罕見腫瘤抗原）時，所有模型精確率（Precision）平均下降40%，召回率（Recall）降幅達60%。這暴露了當前模型對低豐度真實結合的識別能力嚴重不足。

**3. 模型架構與計算資源的隱性成本**
- **深度學習模型的資源依賴**：在100萬樣本規模訓練中，VitTCR模型內存占用達47GB，而輕量級模型（如AttnTAP）僅需8GB。訓練時間差異顯著，如TCR-H需28小時完成1億樣本訓練，而epiTCR僅需4小時。
- **特征工程的邊際效益**：僅17%的模型在引入額外特征（如MHC-Ⅰ類信息）后性能提升超過5%。例如，NetTCR在CDR3β+others模式下AUPRC僅從0.65提升至0.68，但推理速度下降30%。

**4. 負樣本生成方法的根本缺陷**
- **交叉反應的隱蔽性**：約10.5%的正樣本存在交叉表位反應，若未過濾這些樣本，模型在 unseen 場景的AUPRC會虛高20%-30%。但本研究發現，通過Levenshtein距離過濾（相似度>95%的序列排除），可減少85%的虛假負樣本。
- **負樣本多樣性不足**：現有模型普遍依賴單一負樣本源（AS占比達76%），導致對健康人群（HS）和患者群體（PS）中特殊TCR亞型的學習不足。例如，針對慢性阻塞性肺病（COPD）患者的PS負樣本中，含有大量高變區（hypervariable regions）的TCR，這些特征未被多數模型有效利用。

**5. 評估框架的突破性設計**
- **三重驗證機制**：采用“seen-epitope測試集（S_Data1）→獨立測試集（Internal Test）→跨數據源 unseen測試集（U_Data2）”的三層驗證。例如，AS負樣本訓練的TEIM模型在seen場景AUPRC為0.72，但在unseen場景獨立測試中驟降至0.48。
- **動態特征平衡策略**：針對多特征模型，提出“特征重要性加權”方法。在包含MHC類、αβ鏈序列等特征的模型中，引入基于注意力機制的動態權重分配，使epiTCR的AUPRC提升8%。

#### 技術瓶頸與改進路徑
**1. 模型泛化能力缺陷**
- 主流模型在 unseen 場景的AUPRC普遍低于0.5（隨機猜測水平為0.5），表明缺乏對未知表位空間分布模式的捕捉能力。改進方向包括：
- **結構信息融合**：將TCR-表位復合物的冷凍電鏡結構（如CDR3β構象）與序列特征結合。實驗表明，引入α碳鏈的二面體構象特征可使AUPRC提升至0.62。
- **對抗性訓練**：在負樣本中引入對抗樣本（如通過GAN生成與真實負樣本分布差異的對抗樣本），使NetTCR的unseen場景AUPRC從0.47提升至0.55。

**2. 數據質量與多樣性問題**
- **數據噪聲抑制**：針對TCR序列中常見的“C”和“F”缺失問題（如數據庫中15%的TCR序列不符合標準格式），開發基于生物約束的修復算法（如CRISPR序列對齊），使模型在原始數據修復后的測試集上性能提升12%。
- **跨抗原群學習**：設計跨抗原類別遷移（Cross-Cargo Transfer Learning）框架，利用HIV、HBV等不同抗原群的TCR-表位數據，使vibtcr在unseen場景的AUPRC提升至0.58。

**3. 計算效率與實用性的矛盾**
- **模型輕量化改造**：對高內存消耗模型（如VitTCR）進行知識蒸餾，壓縮模型體積至原規模的18%，同時保持AUPRC在seen場景下降幅小于2%。
- **分布式訓練優化**：開發基于Spark的分布式訓練框架，使100萬樣本規模的DeepTCR訓練時間從72小時縮短至8小時，內存占用降低60%。

#### 實踐應用與轉化前景
1. **個性化癌癥疫苗設計**：結合患者特異性PS負樣本與TCR-表位模型，開發動態預測系統。例如，針對黑色素瘤患者，使用PS負樣本訓練的NetTCR模型可識別87%的腫瘤新表位。
2. **疫苗效力評估**：將模型集成至疫苗研發流程，通過預測TCR-表位結合強度（AUPRC>0.6視為高風險表位），可將候選疫苗的早期淘汰率提升至34%。
3. **免疫治療優化**：在CAR-T細胞療法中，利用模型篩選高特異性TCR（AUPRC>0.7）與低交叉反應TCR（AUPRC差值>0.4），使細胞治療有效持續時間延長2.3倍。

#### 未來研究方向
1. **多模態融合**：整合TCR-表位復合物的冷凍電鏡結構、化學微流控實驗數據（如結合親和力）和臨床樣本特征，構建三維預測模型。
2. **因果推理框架**：發展基于因果推理的模型，區分TCR-表位結合的必然性與偶然性。例如，通過干預實驗（如突變關鍵殘基）驗證模型預測的可解釋性。
3. **實時預測系統**：針對流式細胞術中TCR的即時檢測需求，開發輕量級邊緣計算模型（如TensorFlow Lite部署的TCR-Prediction Lite，推理時間<50ms）。

#### 結論
本研究揭示了TCR-表位預測模型在數據質量、特征工程和泛化能力三個維度的核心挑戰。通過構建首個包含50個模型的基準測試框架，證實多特征模型在seen場景的邊際效益（約3%提升），但未解決 unseen場景的底層邏輯缺失問題。未來突破需融合結構生物學證據、因果推理框架和輕量化計算技術，這將為疫苗開發、免疫治療優化提供可解釋的預測工具，推動精準醫療進入TCR-表位智能設計的新紀元。