Nat. Mach. Intell. | 统一多模态 AI 框架破解免疫识别中的突变效应预测难题
一句话看懂：研究人员在《自然·机器智能》上发表了一项新研究，提出了名为 UniAIR 的统一 AI 框架，该框架能够跨抗体-抗原、TCR-pHLA 等多种免疫识别场景，预测蛋白质突变对免疫结合的影响，在多个基准测试中达到当前最佳性能，且能在实验数据有限时工作。
事件核心：发生了什么
近日，一个研究团队在《自然·机器智能》上发表了其最新成果：一个名为 UniAIR（Unified Adaptive Immune Recognition）的统一多模态 AI 框架。该框架旨在解决免疫学中一个长期存在的难题：如何准确预测蛋白质突变如何改变B细胞或T细胞对病原体的识别能力。UniAIR 的核心创新在于整合了三大模块：一个标准化的数据处理流程，一个名为 S-Former 的序列-结构协同 Transformer 模型（用于融合蛋白质语言模型和结构信息），以及一个名为 MoFPE 的多专家集成模块。它能在实验性蛋白结构缺失或不完整时，通过一个轻量级适配器（UniAIR-LT）维持预测能力。在SKEMPI v2、HER2抗体等大规模基准测试中，UniAIR 均取得了最佳性能。此外，研究团队还展示了其在拉沙病毒抗原逃逸预测和KRAS新抗原肽优化等具体任务上的应用。
为什么重要
传统上，预测突变对免疫识别的影响需要大量实验，且不同任务（如预测抗体成熟 vs 预测抗原逃逸）往往需要独立构建模型。UniAIR 的价值在于证明了单一框架可以统一处理多种高度异质的免疫识别任务，并实现跨任务泛化。这意味着AI在该领域的应用正从特定任务的“点状突破”走向更通用的“平台化”阶段。特别是其 MoFPE 专家集成策略和 UniAIR-LT 结构适配器，为解决“数据稀疏”和“结构预测误差”这两个阻碍模型落地的工程瓶颈提供了具体方案。这对于依赖高精度结构建模的抗体工程、疫苗设计和T细胞免疫疗法开发而言，是一次关键的底层能力提升。
对用户/开发者/创作者的影响
对于从事免疫计算、抗体或TCR设计的科研人员和开发者而言，UniAIR 提供了一个可直接使用的基准方法和工具。其对外开放的潜力在于：1）减少对昂贵实验的依赖，尤其在早期筛选阶段，可通过 Zero-shot 扫描快速缩小候选突变范围；2）可直接使用预测蛋白结构进行推理，降低了使用门槛；3）其与自由能微扰（FEP）等物理模拟方法的结合，为高通量筛选与精确计算验证的自动化流程提供了范式。对于企业用户，这意味着在免疫治疗药物的研发管线中，可以更低成本、更快速度地获得“可进化”的候选分子。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，UniAIR 的代码和预训练模型是否开源，这将直接影响其在学术界的采用速度和工业界的落地潜力。第二，该框架能否扩展到更复杂的表位，或与大规模蛋白语言模型进行深层蒸馏，是提升其通用性的关键。第三，在真实世界的临床试验或疫苗设计中，该工具预测出的突变体效果是否经得住验证，将是衡量其实际价值的核心指标。
来源：Readhub · AI
