使用B细胞和T细胞受体序列的机器学习进行疾病诊断

使用B细胞和T细胞受体序列的机器学习方法（Mal-ID）可通过整合多维度免疫受体特征实现高精度疾病分类，其核心在于结合传统免疫学分析与蛋白质语言模型，并验证了联合分析BCR和TCR数据对提升诊断可靠性的关键作用。一、Mal-ID技术框架与核心流程Mal-ID技术框架通过以下步骤实现疾病分类：数据获取：从不同疾病状态患者的血液样本中提取BCR重链（IgH）和TCRβ链（TRB）的基因库数据。特征分析：采用三类特征模型：模型1：分析基因片段使用频率与突变率。模型2：对决定抗原特异性的CDR3序列区域进行聚类。模型3：基于蛋白质语言模型预测CDR3结构。模型集成：通过集成6个基础模型（3个BCR+3个TCR）构建逻辑回归分类器，预测保留测试集的疾病概率。验证与调整：支持验证V基因的疾病特异性信号，并可根据临床需求灵活调整为多病筛查或单病诊断模式。技术优势：高精度分类：在交叉验证中取得优异的多分类AUROC评分（如整体AUROC达0.986）。多维度特征整合：通过整合受体群体组成、CDR3序列聚类及蛋白质语言模型预测，全面捕捉免疫状态特征。二、联合分析BCR和TCR数据的关键作用联合分析BCR和TCR数据显著提升了疾病分类的可靠性：综合性能提升：集成模型在550个独立测试样本中实现高精度分类，AUROC0.98，显著优于单一模型或单数据类型。分类效能均衡：各疾病类别分类效能均衡，且模型对正确预测结果具有更高置信度。临床相关性验证：成人狼疮患者的误分类与较低临床活动指数（SLEDAI）相关，表明模型可能捕捉到治疗缓解期的免疫特征变化。从多疾病分类器衍生的狼疮专用诊断模型可灵活调整阈值，实现93%灵敏度/90%特异性的平衡性能。三、蛋白质语言模型在免疫学知识重现中的应用蛋白质语言模型通过嵌入技术识别疾病特异性免疫球蛋白基因和同种型特征：疾病特异性特征识别：COVID-19：主要依赖IGHV1-24/IGHV2-70基因与IgG同种型。HIV：与突变型IgM/D和IGHV1-2/IGHV4-34基因显著相关。流感疫苗接种：集中于IGHV3-23基因及IgG/突变型IgM/D。狼疮和1型糖尿病（T1D）：分别与IGHV4-34/IGHV4-59基因及IgA、多种同种型特征强关联。与已知免疫机制吻合：量化不同免疫球蛋白类型的贡献，揭示疾病特异性的B细胞应答模式。例如，狼疮的IgA自身抗体机制与模型识别结果一致。四、机器学习在抗原特异性序列识别中的潜力Mal-ID的模型2（CDR3聚类）和模型3（蛋白质语言模型）能够自主识别抗原特异性抗体序列特征：模型2：通过保守的公共克隆识别（IGHV/IGHJ基因和CDR3长度匹配）精确检测部分已知结合序列。例如，在IGHV1-24基因中达100%精确度，但召回率低。模型3：在未接触训练数据的情况下，对CoV-AbDab数据库中已验证的SARS-CoV-2结合序列的预测概率显著高于健康供体序列（置换检验P=0）。跨IGHV基因的AUROC最高达0.78，且对模型2未覆盖的序列仍保持有效区分（AUROC≦0.75）。互补性：模型3在相同精确度下比模型2召回率更高，但需权衡更多假阳性。两种模型互补性强，为病原体特异性抗体发现提供了新范式。五、方法验证与临床应用前景泛化能力验证：使用来自其他实验室的完全独立队列的性能进一步表明，Mal-ID泛化于独立数据，不适合潜在的、未知的隐藏变量。区分Covid-19、HIV感染、狼疮、T1D和健康的任务证明了该方法的潜力。临床应用需解决的问题：敏感性与特异性临界值：需在临床研究中确定对特定疾病的敏感性和特异性的适当临界值。样本量与测序深度：进一步评估最佳样本量和测序深度。结果解释：任何结果均需根据患者的其他临床评估和实验室测试进行解释。复杂临床场景：同一患者可能存在多种疾病或合并症。针对特定疾病的不同严重程度或亚型的模型开发。使用其他种类含有淋巴细胞的标本（如组织活检）的价值。确定先前模型中未包含的疾病证据的可能性（如未来大流行中可能发生的事件）。