AI助力St. Jude医院：CAR-T细胞膜表面表达率从8%跃升至65%

一直以来本公众号更多关注小分子，因为该领域需求集中，而且容易获得突破。其实细胞疗法、抗体疗法AI也能带来重大改变。比如一个陈年老文（去年的）。这一年AI的智能水平翻了翻往上涨，这篇论文的技术有些可以更新，有些可以借鉴。

而且小分子疗法周期太长，很难让今天的患者获益。所以CAR-T或者抗体、免疫类疗法更容易实现定制化医疗

St. Jude儿童研究医院的一项研究展示了计算科学如何在免疫治疗中发挥关键作用 。研究团队在开发一种新型双靶点CAR-T细胞时遭遇了严重的表达障碍。最终，借助结构指导的计算策略与AI工具，他们成功修复了蛋白质的结构缺陷，不仅让细胞膜表面表达率从极低的水平跃升至65%，还全面恢复了其抗肿瘤的强大功效 。

以下是这项研究的核心科学解析。

什么是CAR-T？

CAR-T（嵌合抗原受体T细胞疗法）是一种高度个性化的癌症免疫治疗技术 。它的核心理念是“武装”患者自身的免疫系统来对抗癌症。

在实际操作中，研究人员会从患者血液中提取T细胞，并通过基因工程手段，在这些细胞表面安装一种合成的“探测器”——嵌合抗原受体（CAR） 。标准的CAR结构包含一个能够精准锁定肿瘤相关抗原的结合域（通常是单链可变片段，scFv），以及负责向细胞内传递杀伤信号的结构域 。经过改造的CAR-T细胞被重新输回患者体内后，便能像制导导弹一样，精准识别并消灭携带特定抗原的癌细胞。

这篇论文遇到了什么问题？

尽管单靶点CAR-T疗法在临床上取得了显著成效，但它面临着一个棘手的敌人：肿瘤抗原异质性。肿瘤组织中的癌细胞并不完全相同，在免疫系统的攻击下，部分癌细胞会通过下调或丢失表面抗原来实现“免疫逃逸” 。

为了克服这一难题，St. Jude的研究团队设计了一种双靶点串联CAR (Tandem CAR)，旨在同时靶向IL13Rα2和B7-H3两种抗原，以防癌细胞漏网 。然而，实验遭遇了重大挫折：最初设计的串联CAR分子虽然能在细胞内生成，却几乎无法在T细胞膜表面表达 。

经过一系列的基因缺失测试，研究团队发现“罪魁祸首”隐藏在IL13Rα2单链可变片段的重链（VH）中 。这个被称为“问题区域”的片段导致了蛋白质在细胞内部折叠错误并发生积聚，彻底阻碍了CAR分子被顺利转运至细胞表面 。

计算科学如何介入解决难题？

面对数以万计的氨基酸组合，传统的盲目试错不仅耗时且成本高昂。研究团队决定引入计算结构优化的方法来拯救这个失败的分子 。

计算科学的解决思路非常清晰：保护关键区域，修复缺陷区域。 团队首先确定了哪些氨基酸是负责结合肿瘤抗原的（互补决定区），在优化过程中严格避开这些区域，确保CAR的“眼睛”不被破坏 。随后，他们利用深度学习生成了CAR分子的三维结构模型，并通过计算突变扫描技术，专门针对“问题区域”引入能够增强稳定性的核心突变 。最终，通过一套综合了全局稳定性、蛋白质聚集倾向和结构置信度的“适应度评分（Fitness Score）”，筛选出了最优的氨基酸突变序列 。

用到了哪些计算工具？

这项研究的成功，得益于一条完整的计算结构生物学工具链：

Paratome: 用于精准注释序列，识别出抗体中负责抗原结合的互补决定区（CDRs），划定不可修改的“保护区” 。

AlphaFold2: 基于深度学习的蛋白质结构预测工具。它准确预测了包含缺陷的CAR突变体的3D结构，为后续的定向优化提供了空间三维坐标 。

AbLIFT: 核心的抗体设计与优化软件。它接收AlphaFold2的三维模型，对“问题区域”进行深度突变扫描，计算出能够提升抗体核心稳定性的氨基酸替换方案 。

FoldX & Aggrescan: 前者用于计算蛋白质变体的全局能量得分（评估稳定性），后者用于评估大分子的聚集风险，帮助淘汰那些容易“抱团沉淀”的废弃方案 。

WebLogo & Rosetta: 用于分析成千上万个预测结果的共识序列，并结合突变以识别低能量的优质蛋白质设计 。

计算工具的参与带来了什么不同？

计算工具的介入，不仅解决了眼前的表达难题，更展示了合成免疫学未来的研发范式：

1. 1. 表达率的断崖式提升： 经过计算优化的串联CAR（Construct #24），其复合适应度评分大幅提高，细胞膜表面表达率从原本仅有的8%跃升至65% 。
2. 2. 抗肿瘤功效的全面恢复： 在体内动物模型中，面对具有抗原异质性的复杂肿瘤，优化后的双靶点CAR-T细胞成功清除了绝大多数小鼠体内的肿瘤，带来了显著的生存优势，而未优化或单靶点的对照组则以失败告终 。
3. 3. 优化方案的通用性： 令人兴奋的是，通过AI计算得出的IL13Rα2优化序列，在与其他抗原（如GD2或HER2）组合构建新的双靶点CAR时，依然成功改善了细胞的表面表达和杀伤能力，证明了该计算方案具有广泛的适用性 。
4. 4. 研发理念的升级： 这项研究极大地强调了计算方法在指导合成蛋白质设计中的必要性 。随着CAR-T结构变得越来越复杂，纯粹依赖经验和直觉的试错时代正在过去，计算工具将成为提高研发效率和疗效不可或缺的基础设施 。