一、研究背景与意义
T 细胞介导的免疫应答是机体对抗感染与肿瘤的核心防线，其特异性由 T 细胞受体（TCR）与抗原表位的精准结合所决定。在肿瘤免疫治疗领域，靶向肿瘤特异性抗原表位的 TCR-T 细胞疗法已展现出显著的临床潜力，尤其是针对癌 - 睾丸抗原（如 NY-ESO-1）等肿瘤特异性表达抗原的治疗策略，为晚期癌症患者提供了新的治疗选择。然而，传统 TCR 发现方法存在筛选效率低、特异性评估不足、交叉反应风险高等局限，严重制约了治疗性 TCR 的转化应用。
NY-ESO-1 作为一种广泛表达于多种肿瘤组织（如黑色素瘤、滑膜肉瘤）且在正常组织中仅限制性表达于睾丸的癌 - 睾丸抗原，其 157-165 表位已被证实为免疫治疗的理想靶点。基于该表位的 TCR-T 疗法在临床研究中显示出一定疗效，但如何高效筛选出高特异性、高亲和力且无交叉反应的优质 TCR，仍是该领域亟待解决的关键问题。
二、核心技术策略与研究流程
本研究创新性地整合噬菌体展示技术与机器学习算法，建立了一套高效的治疗性 TCR 发现体系，具体流程如下：
（一）TCR 噬菌体展示文库构建
以已验证的 NY-ESO-1₁₅₇₋₁₆₅特异性 TCR 为骨架，针对 TCR β 链的互补决定区 3（CDR3β）进行随机突变。CDR3β 作为 TCR 识别抗原表位的核心区域，其序列多样性直接决定了 TCR 与表位结合的特异性和亲和力。通过定向突变技术，构建了大容量、高多样性的 TCR 噬菌体展示文库，为后续筛选提供了丰富的候选分子资源。
（二）抗原亲和淘选与特异性序列富集
将构建的 TCR 噬菌体文库与重组 NY-ESO-1₁₅₇₋₁₆₅表位进行多轮亲和淘选。利用抗原与 TCR 的特异性结合特性，逐步洗脱非特异性结合的噬菌体，富集能够高效识别靶表位的特异性 TCR 噬菌体克隆。经多轮淘选后，通过高通量测序技术对富集的噬菌体克隆进行序列分析，最终获得数千条 NY-ESO-1 特异性 TCR 序列，为机器学习模型的训练提供了高质量的数据集。
（三）机器学习模型训练与 TCR 预测
基于高通量筛选获得的特异性 TCR 序列数据，构建了 TCR - 表位相互作用预测模型。通过机器学习算法对 TCR 序列特征（如 CDR3β 的氨基酸组成、长度、理化性质等）与表位结合活性之间的关联进行深度挖掘，建立了精准的预测模型。利用该模型对大规模 TCR 组库进行筛选，快速鉴定出潜在的 NY-ESO-1 特异性 TCR 候选分子，大幅缩短了筛选周期并提高了筛选效率。
（四）功能验证与交叉反应评估
对模型预测的候选 TCR 进行细胞水平功能验证。将候选 TCR 基因导入原代 T 细胞或 T 细胞系，构建 TCR-T 细胞模型，通过抗原特异性激活实验（如 IFN-γ 分泌检测、CD107a 脱颗粒实验）验证其对 NY-ESO-1 阳性靶细胞的识别活性。同时，采用多种正常组织来源的细胞或表达同源抗原表位的细胞进行交叉反应检测，确保筛选出的 TCR 无脱靶效应。实验结果表明，预测的 TCR 均能特异性识别 NY-ESO-1₁₅₇₋₁₆₅表位，激活 T 细胞产生免疫应答，且未检测到明显的交叉反应，具备良好的临床应用潜力。
三、技术创新与突破点
（一）技术融合的创新性
首次将噬菌体展示技术的高通量筛选优势与机器学习的精准预测能力相结合，突破了传统 TCR 发现依赖于随机筛选或体外亲和力测定的局限。噬菌体展示技术能够快速富集特异性 TCR 序列，而机器学习算法则能从海量数据中挖掘序列与功能的内在关联，实现从 "筛选" 到 "预测" 的跨越，显著提升了 TCR 发现的效率和准确性。
（二）文库设计的针对性
聚焦 CDR3β 区域进行定向突变，既保证了 TCR 结构的完整性和稳定性，又最大化了抗原识别区域的序列多样性。相较于全链随机突变，该设计更具针对性，能够有效减少无效突变体的比例，提高文库的筛选效率和优质 TCR 的发现概率。
（三）临床转化的可行性
通过严格的功能验证和交叉反应评估，确保了筛选出的 TCR 具有良好的特异性和安全性。该方法发现的 TCR 无需复杂的改造即可用于 TCR-T 细胞疗法的开发，为临床转化提供了便捷的技术路径，加速了治疗性 TCR 从实验室到临床的转化进程。
四、科学意义与应用前景
本研究的成果不仅为 NY-ESO-1 阳性肿瘤的免疫治疗提供了优质的 TCR 候选分子，更建立了一套普适性的治疗性 TCR 发现新范式，具有重要的科学意义和广泛的应用前景：
在基础研究层面，该研究深入揭示了 TCR CDR3β 序列与抗原表位结合的关联规律，为理解 TCR - 抗原相互作用的分子机制提供了重要的理论依据。通过机器学习模型挖掘的序列特征，可为人工设计高活性、高特异性 TCR 提供指导，推动 TCR 工程改造技术的发展。
在临床应用层面，该技术体系可广泛应用于各种感染性疾病和肿瘤相关抗原特异性 TCR 的发现。对于感染性疾病，可针对病毒、细菌等病原体的关键抗原表位筛选特异性 TCR，开发抗感染 TCR-T 疗法；对于肿瘤，可针对不同肿瘤类型的特异性抗原（如突变抗原、癌胚抗原等）发现个性化治疗性 TCR，为肿瘤精准免疫治疗提供更多优质靶点。
此外，该技术还可拓展至自身免疫病、移植排斥等领域的研究，为相关疾病的发病机制研究和治疗策略开发提供新的工具和思路。随着噬菌体展示技术的不断优化和机器学习算法的持续升级，该体系将在免疫治疗领域发挥更大的作用，推动精准免疫治疗技术的革新与发展。
五、总结与展望
本研究通过整合噬菌体展示技术与机器学习算法，成功建立了一套高效、精准的治疗性 TCR 发现体系，实现了 NY-ESO-1 特异性优质 TCR 的快速筛选与验证。该技术突破了传统方法的局限，为治疗性 TCR 的发现提供了新的范式，具有重要的科学价值和临床转化潜力。
未来，可进一步优化该技术体系：一方面，扩大噬菌体展示文库的容量和多样性，纳入更多 TCR 链的突变组合，提高优质 TCR 的覆盖范围；另一方面，完善机器学习模型，整合更多维度的特征数据（如 TCR 的三维结构信息、抗原表位的构象特征等），提升预测的精准度。同时，加强该技术与其他新兴技术（如单细胞测序、基因编辑技术）的融合，进一步推动治疗性 TCR 的开发与临床应用，为更多患者带来新的治疗希望。