[論文レビュー] AI Developments for T and B Cell Receptor Modeling and Therapeutic Design

Linhui Xie, Aurelien Pelissier+2 more|arXiv (Cornell University)|Jan 23, 2026

vaccines and immunoinformatics approaches被引用数 0

ひとこと要約

この論文は、タンパク質言語モデル、構造認識手法、マルチモーダルデータを用いてTCRとBCRのモデリングにおけるAIの進展を概観し、免疫疫学と治療設計への応用を強調します。

ABSTRACT

Artificial intelligence (AI) is accelerating progress in modeling T and B cell receptors by enabling predictive and generative frameworks grounded in sequence data and immune context. This chapter surveys recent advances in the use of protein language models, machine learning, and multimodal integration for immune receptor modeling. We highlight emerging strategies to leverage single-cell and repertoire-scale datasets, and optimize immune receptor candidates for therapeutic design. These developments point toward a new generation of data-efficient, generalizable, and clinically relevant models that better capture the diversity and complexity of adaptive immunity.

研究の動機と目的

• 免疫受容体分析におけるデータ資源と計算上の課題を要約する。
• TCRsとBCRsのシーケンスベースおよび構造ベースのAIモデルと、それらの免疫疫学と治療への応用を検討する。
• 免疫受容体エンジニアリングと設計のための新興の生成AIアプローチを論じる。

提案手法

• 大規模レパートリと学習データセットで訓練されたタンパク質言語モデル（PLMs）を用いて抗体とTCRの埋め込みを学習する。
• 一般目的のPLMsと抗体-またはTCR特化型PLMsを比較し、ファインチューニングとLoRAベースの適応を検討する。
• 配列データと構造データを統合した構造認識型およびマルチモーダル表現を説明する。
• 受容体の配列設計のための拡散/フロー、自己回帰/MLMによる生成AIアプローチを概説する。
• 予測的優先付けと設計を示すSARS-CoV-2、HIV、インフルエンザのケーススタディを要約する。
• モデル開発のためのデータ資源とベンチマーキングのニーズを強調する。

実験結果

リサーチクエスチョン

• RQ1 TCRsとBCRsのAIモデリングを支えるデータ資源とベンチマークは何か。
• RQ2 シーケンスベースのPLMsと構造認識手法は結合予測、特異性、開発性の点でどの程度性能を発揮するか。
• RQ3 免疫受容体設計の生成モデルの役割と制約は何か。
• RQ4 シーケンスと構造を組み合わせたマルチモーダル表現は受容体設計と予測をどう改善するか。
• RQ5 AIアプローチは免疫疫学と治療発見においてどのような実用的成果を上げているか。

主な発見

• 抗体モデリングは大規模レパートリデータと構造データの利用拡大により急速に進展しており、頑健な言語モデル、構造予測子、設計パイプラインが実現している。
• TCRモデリングはデータ不足と構造カバレッジの制約があり未成熟だが、マルチモーダルおよび構造情報を取り入れたアプローチがギャップを埋めつつある。
• 生成AIは抗体とTCRの設計を可制御で実現可能にし、 MLMによるシーケンス空間戦略、条件付き生成、フローベースモデル、強化学習などを含む。
• シーケンスと構造情報を結合したハイブリッド表現はパラトープの局在化、親和性予測、開発性評価を改善する。
• COVID-19や他の病原体の研究は、AIによるトライエージュ、予測、優先付けを示し、実験的検証と設計を導く。