TriStageHLA把表位发现拆成三步：免疫原性预测AUROC从60.1%升到81.4%
核心概要
香港城市大学等团队发布TriStageHLA，把HLA-I表位发现拆成肽段初筛、等位基因特异结合预测和免疫原性预测三个串联模块。在留出的免疫原性数据上，免疫原性模块AUROC为81.4%、AUPRC为73.8%，高于ImmuneApp的70.7%/63.6%和BigMHC-IM的60.1%/51.5%；结合模块在BA/EL合并评估上AUROC为96.2%、AUPRC为95.2%。在30万条人蛋白组背景肽的模拟筛选中，初筛保留82.4%的真实候选肽并丢弃87%的背景肽。
深度剖析
表位发现被拆成三个依次回答的问题：肽段是否像会被呈递的片段、它结合哪个HLA等位基因、它是否真的引发T细胞应答，三个模块分别训练、串联使用。 此前的做法把结合与呈递预测混在一个模型里，免疫原性往往被当作最终端点，结合与T细胞反应性因此被混为一谈。 在留出的免疫原性测试集上，免疫原性模块AUROC为81.4%、AUPRC为73.8%，而免疫原性专用基线ImmuneApp为70.7%/63.6%、BigMHC-IM为60.1%/51.5%。
结合模块在BA/EL合并评估上AUROC为96.2%、AUPRC为95.2%，在等位基因层面AUROC为94.54%、AUPRC为89.74%。 同一评估下BigMHC的AUROC为95.5%，MixMHCpred3.0为92.7%；等位基因层面BigMHC为94.21%/88.77%，MixMHCpred3.0为91.94%/87.46%。 按难度分层后，在训练样本少于200例的稀有等位基因（n=34）上，结合模块平均AUROC为0.899，显著高于BigMHC的0.857（+0.042，p=0.019）；在稀有且结合位点距离远的交集（n=10）上优势最大，AUROC高0.080、AUPRC高0.172。
初筛模块只更新冻结蛋白语言模型上的低秩适配器，可训练参数约3500万，比TransHLA的约7亿少约一个数量级。 此前的肽段呈递前端模型参数量在数亿量级，且不支持把学到的表示参数高效地迁移到结合或免疫原性任务。 在相同协议、由原始logits计算指标时，初筛模块准确率84.85%、AUROC 92.05%，TransHLA为84.70%和91.90%。
结合模块用双分支结构同时建模全局上下文与局部基序，并用互信息目标在类别不平衡下稳定训练。 去掉局部卷积分支后，跨长度平均AUROC从95.33%降到90.44%，平均AUPRC从90.85%降到81.65%，说明局部基序提取不可替代。 在30万条人蛋白组背景肽加14490个真实候选肽-等位基因对的模拟筛选中，初筛保留82.4%的真实候选肽（10747/13044）并丢弃87%的背景肽，结合模块再保留74.4%的真实候选对（10779/14490）并去除90%的背景对。
启示与展望
演示范围限于HLA-I、8至14肽段，评估来自IEDB训练数据、CEDAR外部集和一次30万条背景肽的模拟筛选，尚未在患者来源队列中做前瞻验证。作者提出的下一步包括HLA-II扩展、面向部署的校准与阈值选择、跨实验室外部验证，以及用半监督或对比目标利用未标注配体组。
免疫原性标签按IEDB中T细胞实验的可测反应操作性定义，可能受队列特异的TCR库与既往暴露影响，而非肽的固有属性。作者指出，尽管已排除CEDAR与IEDB之间完全相同的肽-等位基因对和重叠肽序列，仍无法完全排除近同源肽带来的泛化高估，并认为需要多中心数据加强外部效度；批次效应与患病率漂移也可能影响阈值。