基于TCRGP机器学习模型预测WT1特异性T细胞免疫在血液肿瘤中的临床价值研究

本研究针对Wilms肿瘤1(WT1)抗原特异性T细胞免疫监测难题，开发了TCRGP机器学习模型，通过单细胞RNA+TCRαβ测序技术分析VLDFAPPGA(VLD)和RMFPNAPYL(RMF)表位特异性T细胞受体(TCR)特征，在AML、CML和MDS患者队列中实现了WT1特异性T细胞的精准识别。研究发现部分AML患者骨髓中WT1特异性T细胞占比高达13%，且呈现效应记忆表型特征，为白血病免疫治疗监测提供了新工具。

Wilms肿瘤1(WT1)作为血液系统恶性肿瘤的重要肿瘤相关抗原，其异常高表达与疾病进展密切相关。尽管WT1特异性T细胞免疫疗法已在临床试验中展现出潜力，但传统检测方法存在耗时长、样本需求大等局限，且对自然发生的WT1特异性T细胞免疫特征缺乏系统认知。更关键的是，T细胞受体(TCR)的惊人多样性（理论上可达10¹⁵-10²⁰种独特αβ配对）使得特异性识别成为重大挑战。

为突破这些瓶颈，Brittany L. Ford团队在《Leukemia》发表的研究创新性地结合实验与计算方法。研究人员首先通过肽段脉冲技术（使用VLD和RMF两种WT1表位）扩增健康供者和AML患者样本中的WT1特异性CD8⁺T细胞，随后采用单细胞RNA+TCRαβ测序获取表型与TCR序列信息。基于这些数据，团队开发了TCRGP机器学习分类器，其AUROC值达0.74-0.75，能可靠识别WT1特异性T细胞。研究还分析了来自AML、CML和MDS患者的21-25例批量TCRβ测序数据，以及AML骨髓和CML外周血的单细胞测序队列。

关键技术方法包括：1) HLA-A*02:01限制性WT1肽段(VLD/RMF)脉冲扩增技术；2) 流式细胞分选结合10X Genomics单细胞RNA+TCRαβ测序；3) GLIPH2算法进行TCR聚类分析；4) TCRGP高斯过程机器学习模型训练与验证；5) OptiType HLA分型与NetMHCpan表位结合预测。

主要研究结果：

单细胞RNA分析揭示WT1特异性T细胞表型

通过UMAP可视化发现，经脉冲扩增的WT1特异性T细胞主要呈现效应记忆(Tem)或终末效应记忆(Temra)表型，表达特征性标志物如GZMA、GZMH等细胞毒性分子。值得注意的是，来自AML患者的WT1特异性T细胞克隆性显著高于健康对照。

TCRGP模型开发流程

研究整合了三种数据源：实验获得的WT1特异性TCR、公开数据库VDJdb表位数据，以及GLIPH2算法筛选的代表性TCR。训练后的模型能有效识别CDR3β序列特征，如VLD特异性TCR在5-10位氨基酸呈现独特变异模式。

患者队列中WT1特异性T细胞特征

在AML骨髓单细胞数据中，3例患者显示显著扩增的WT1特异性克隆（最高占CD8⁺T细胞的13%）。这些克隆多局限于1-2种表型状态，而病毒特异性T细胞则分布更广。HLA结合预测显示，即使非HLA-A*02:01等位基因也可能呈递RMF表位。

讨论与意义

该研究首次建立了系统性分析WT1特异性T细胞免疫的工具链。临床意义在于：1) 发现部分AML患者存在自发抗WT1免疫应答但强度不足；2) 证实RMF表位可能通过多种HLA-I分子呈递，拓宽了免疫治疗靶向范围；3) 为个体化免疫监测提供新范式——通过追踪WT1特异性T细胞克隆动态评估治疗效果。技术突破体现在将实验数据与机器学习结合，克服了TCR多样性带来的分析难题。

局限性包括当前模型仅针对HLA-A*02:01限制性表位，且需进一步验证TCRGP预测的生物学功能。未来方向可扩展至其他WT1表位及血液肿瘤抗原，推动精准免疫治疗发展。