公眾號/? ScienceAI（ID：Philosophyai）

編輯 | 蘿卜皮

治療性抗體廣泛用于治療嚴重疾病。它們中的大多數會改變免疫細胞并在免疫突觸內發揮作用。指導體液免疫反應的重要細胞間相互作用。盡管生成并評估了許多抗體設計，但缺乏用于系統抗體表征和功能預測的高通量工具。

德國環境健康研究中心（German Research Center for Environmental Health）和羅氏制藥（Roche）的研究團隊，開發了一個全面的開源框架 scifAI（單細胞成像流式細胞術 AI），用于對成像流式細胞術 (IFC) 數據 進行預處理、特征工程和可解釋的預測 機器學習 。

該研究以「Explainable machine learning for profiling the immunological synapse and functional characterization of therapeutic antibodies」為題，于 2023 年 11 月 30 日發布在《Nature Communications》。

免疫突觸的形成是 T 細胞與其相應的抗原呈遞細胞（APC）相互作用誘導的適應性免疫反應的第一個事件。這種快速形成的細胞-細胞界面是由 T 細胞受體（TCR）識別負載肽的主要組織相容性復合物（MHC）啟動的。它涉及細胞骨架肌動蛋白絲的重排以及向新生突觸招募信號分子、共刺激分子、共抑制分子和粘附分子。

這一過程對于觸發和微調 T 細胞反應并確保完整的免疫反應至關重要。在幾種免疫相關疾病中觀察到功能失調的免疫突觸形成，因此被認為是通過調節其組裝或功能來刺激或抑制免疫反應的潛在靶標。例如，開發了各種改變免疫突觸形成的治療性抗體，以治療癌癥和自身免疫性疾病。

盡管近年來在開發免疫突觸靶向劑方面取得了重大進展，但仍然需要進一步完善化合物，特別是提高其功效。已經確定抗體大小和形式、劑量以及靶標表達可能是免疫突觸形成及其對 T 細胞功能影響的關鍵參數。

然而，到目前為止，還沒有研究提供一種工具來系統地量化和表征免疫突觸的形態，研究其與 T 細胞反應的相關性，或識別預測抗體體外功效的特性。因此，只有一組與研究免疫突觸相關的文獻指導的熒光染色被設置在其他非目標方法中，從而允許探索廣泛的可能特征。

為此目的進行高通量數據采集的關鍵技術是成像流式細胞術（IFC），它將傳統流式細胞術的優點與單細胞水平的深度多通道成像相結合。IFC 最近已成功應用于可視化和量化原代人 T:APC 細胞綴合物的免疫突觸。然而，這些研究都沒有調查 T 細胞功能中免疫突觸的形成。

最近的研究證明了機器學習算法在對高通量成像數據進行更穩健和更準確的分析方面的潛力，這種方法已被證明可以克服傳統門控策略的局限性。利用機器學習進行 IFC 數據分析還能夠識別細胞中的形態模式，結合 RNA 和蛋白質數據分析，并實施預測模型。

圖示：可解釋的機器學習可以根據 IFC 數據準確預測免疫相關的細胞類別，并識別信息最豐富的圖像特征。（來源：論文）

在這里，德國環境健康研究中心和羅氏制藥的研究人員提出了 scifAI，這是一種機器學習框架，用于基于模塊化開源實現對高通量成像數據進行高效且可解釋的分析。

該團隊還發布了最大的公開多通道 IFC 數據集，其中包含來自多個捐贈者的超過 280 萬張原代人類 T-B 細胞綴合物圖像，并演示了如何使用 scifAI 來檢測模式和構建預測模型。

論文中，該團隊展示了 scifAI 框架在以下方面的潛力：

（1）預測免疫相關細胞類別頻率；

（2）免疫突觸的系統形態學分析；

（3）供體間、實驗間和實驗內變異性的研究；

（4）治療性抗體作用模式的表征；

（5）其體外功能的預測。

將使用 IFC 的免疫突觸高通量成像與嚴格的數據預處理和機器學習相結合，使制藥行業的研究人員能夠篩選新型候選抗體，并在功能、作用模式見解和抗體特性方面改進對先導分子的評估，例如親和力、親和力和格式。

論文鏈接：https://www.nature.com/articles/s41467-023-43429-2