免疫原性预测：T 细胞表位识别与去免疫化

生物药的一个特有风险是免疫原性：人体把药物识别为外源物质，产生抗药抗体（ADA）。后果可能是药效降低、清除加快，严重时引发过敏反应或中和内源性蛋白。

免疫原性的机制

产生持久的高亲和力 ADA 需要 T 细胞辅助，这个过程是：

• 1. 摄取与加工：抗原呈递细胞（APC）摄取药物蛋白，在溶酶体中降解成肽段；
• 2. MHC II 结合：某些肽段与 MHC II 类分子（人类为 HLA-DR/DQ/DP）结合；
• 3. 呈递给 CD4+ T 细胞：形成 MHC II–肽复合物呈递到细胞表面；
• 4. T 细胞激活：若有对应的 T 细胞受体识别，T 细胞被激活；
• 5. B 细胞辅助：激活的 T 辅助细胞帮助 B 细胞成熟，产生高亲和力 ADA。

关键环节是第 2 步：能与 MHC II 结合的肽段就是「T 细胞表位」。去免疫化的目标就是消除这些表位。

预测 T 细胞表位

# 主流工具：NetMHCIIpan、IEDB 的一系列预测器
# 原理：预测 15-mer 肽段与各种 HLA 等位基因的结合亲和力

# IEDB 在线 API 示例
import requests

def predict_mhcii_epitopes(sequence, alleles=None, method="netmhciipan_ba"):
    alleles = alleles or [
        "HLA-DRB1*01:01", "HLA-DRB1*03:01", "HLA-DRB1*04:01",
        "HLA-DRB1*07:01", "HLA-DRB1*11:01", "HLA-DRB1*15:01",
    ]
    r = requests.post(
        "http://tools-cluster-interface.iedb.org/tools_api/mhcii/",
        data={"method": method, "sequence_text": sequence,
              "allele": ",".join(alleles), "length": 15})
    return r.text

# 关键：必须覆盖多个 HLA 等位基因
# 人群 HLA 高度多态，一个肽段在某些人中是表位、在另一些人中不是
# 通常选覆盖全球人群较广的一组等位基因（约 8~27 个）

结合强度	百分位排名	风险
强结合	< 1%	高
弱结合	1～5%	中
非结合	> 5%	低

计算「免疫原性评分」

import numpy as np

def immunogenicity_score(sequence, epitope_predictions,
                         allele_frequencies, threshold=5.0):
    """按人群 HLA 频率加权的免疫原性评分"""
    score = 0.0
    hotspots = {}

    for pred in epitope_predictions:
        if pred["percentile_rank"] < threshold:
            # 按该 HLA 等位基因在人群中的频率加权
            freq = allele_frequencies.get(pred["allele"], 0.0)
            weight = freq * (1.0 / max(pred["percentile_rank"], 0.1))
            score += weight
            # 记录热点位置
            for pos in range(pred["start"], pred["end"]):
                hotspots[pos] = hotspots.get(pos, 0) + weight

    return {"total_score": score,
            "hotspots": sorted(hotspots.items(), key=lambda x: -x[1])[:10]}

# 热点位置 = 多个 HLA 都能结合的区域 = 去免疫化的优先目标

去免疫化策略

策略	做法	注意
人源化	把非人源框架换成人源种系框架	最基础也最有效
种系化（germlining）	把偏离种系的残基改回种系序列	可能影响亲和力
表位突变	在预测的表位内引入突变破坏 MHC 结合	需保住结合活性
去除聚集倾向	聚集体是强免疫原	见 367《抗体可开发性 Developability》
去除糖基化异常	非人源糖型（如 α-Gal）高度免疫原性	与表达体系相关
PEG 化 / Fc 融合	屏蔽表位、延长半衰期	PEG 本身也可能产生抗体

去免疫化的实际流程

# 1) 预测表位，定位热点
epitopes = predict_mhcii_epitopes(sequence)
hotspots = identify_hotspots(epitopes)

# 2) 交叉参考结构与功能
#    - 热点是否在 CDR？（改动风险高）
#    - 热点是否在结合界面？（可能损失亲和力）
#    - 热点是否在框架区？（相对安全，优先处理）

# 3) 设计突变
#    在热点内选择：
#      - 不在结合界面的位点
#      - 改成人源种系常见的残基
#      - 优先改变 MHC 结合口袋的锚定残基
#        （P1、P4、P6、P9 位置对 MHC II 结合最关键）

# 4) 重新预测，确认表位被消除

# 5) 实验验证 —— 计算预测不可完全依赖
#    - MHC II 结合实验
#    - T 细胞增殖实验（PBMC，覆盖多个供体）
#    - EpiScreen 等体外免疫原性评估平台

# 6) 同时确认亲和力与稳定性未受损

预测的局限：必须清楚

• MHC 结合是必要不充分条件：能结合 MHC 的肽段不一定引发 T 细胞应答——还需要有对应的 T 细胞受体、且未被中枢/外周耐受机制抑制。预测的表位中相当比例实际上不会引起免疫应答。
• 不预测抗原加工：肽段必须先被蛋白酶切出来才能被呈递，而加工过程的预测能力有限。
• 不预测耐受：与人自身蛋白高度相似的序列通常被耐受，不会引发应答。
• 个体差异巨大：HLA 多态性意味着同一个药物在不同个体中的免疫原性风险不同。
• 临床免疫原性受多因素影响：给药途径（皮下 > 静脉）、剂量、频率、患者免疫状态、聚集体含量、制剂——这些的影响可能超过序列本身。

务实的做法

• 把预测当作排序工具：在多个候选中选免疫原性风险相对低的，而不是追求「零表位」。
• 优先处理框架区表位：改动风险低，收益明确。
• CDR 中的表位谨慎处理：改动可能损失亲和力，需要权衡。
• 控制聚集体是最实在的手段：聚集体是强免疫原，控制它比精细的序列改造更有效（见 367《抗体可开发性 Developability》）。
• 体外 T 细胞实验作为最终判据：用多供体 PBMC 测试，比任何预测都可靠。

延伸资源

• 可开发性：367《抗体可开发性 Developability》；抗体工程：366《抗体亲和力成熟》、364《抗体结构预测》；
• 多肽药物：372《多肽药物设计》。