bioRxiv 2026年9月13日该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。OmniTCR：统一T细胞受体识别预测与条件序列生成的基础模型该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。该研究提出OmniTCR——一个1.13亿参数的自回归基础模型，在3.28亿条格式化人类免疫序列记录上预训练，通过序列类型标记与互补的组分顺序，将单个TCR链与部分或完整的TCR-pMHC关联数据联合学习，从而在同一模型中同时完成TCR识别预测与条件序列生成，在未见表位上取得肽-TCRβ识别AUPRC 0.7009、TCR-pMHC相互作用预测AUPRC 0.8235，并在11个独立泛癌队列中以平均AUROC 0.9436区分癌症与健康免疫组库。