ИИ учится проектировать персональные вакцины от рака — но справляется пока только на 6%

Обзор Frontiers in Genetics показывает, как нейросети помогают находить мишени для антираковых вакцин, но также наглядно демонстрирует, насколько велика пропасть между компьютерными прогнозами и реальной биологией.

Из 608 кандидатных пептидов, предсказанных ИИ как иммуногенные, экспериментально подтвердилось только 37 — всего 6%. Это не провал алгоритмов, а трезвый сигнал: биологию рака нельзя свести к задаче классификации.

В чём суть

Группа хорватских и американских исследователей опубликовала во Frontiers in Genetics обзорную статью, в которой систематизировала всё, что наука знает о применении искусственного интеллекта на каждом этапе разработки пептидных противораковых вакцин — от секвенирования опухоли до прогнозирования иммунного ответа.

Масштаб работы впечатляет: авторы проследили путь от секвенирования ДНК опухоли через предсказание связывания пептидов с молекулами HLA до клинических испытаний на пациентах с меланомой и глиобластомой. Но главная ценность обзора — не в каталоге инструментов, а в честном разборе того, где ИИ систематически сбоит и почему.

Как устроена пептидная вакцина от рака

Прежде чем говорить про ИИ, нужно понять, что вообще пытаются сделать онкоиммунологи.

Идея простая: раковые клетки мутируют. Некоторые мутации порождают белки, которых нет в здоровых тканях. Эти «чужеродные» белки можно нарезать на короткие фрагменты — пептиды — и вколоть пациенту вместе с адъювантом, чтобы иммунная система научилась распознавать опухоль.

Такие пептиды называют неоантигенами. В отличие от опухоль-ассоциированных антигенов (которые есть и в нормальных клетках, просто в опухоли их больше), неоантигены уникальны для конкретного пациента. Иммунная система не «терпит» их по механизму центральной толерантности — а значит, к ним проще вызвать мощный Т-клеточный ответ.

Но есть проблема: опухоль может нести тысячи мутаций, а пригодных мишеней для вакцины среди них — единицы.

Семь сит, через которые проходит каждый кандидат

Авторы обзора очень наглядно описывают конвейер «фильтров», через который должны пройти мутантные пептиды:

1. Экспрессия — мутация должна транскрибироваться в РНК и транслироваться в белок. Если опухоль не производит белок, вакцина не будет работать.
2. Процессинг — белок должен быть корректно нарезан протеасомой на фрагменты нужной длины (8–11 аминокислот для MHC класса I).
3. Транспорт — фрагмент должен быть доставлен в эндоплазматический ретикулум через транспортёр TAP.
4. Связывание с HLA — пептид должен прочно связаться с конкретной молекулой HLA пациента. Причём HLA-гены крайне полиморфны — у разных людей разные аллели.
5. Презентация — комплекс пептид-HLA должен оказаться на поверхности клетки в достаточном количестве.
6. Распознавание TCR — Т-клеточные рецепторы должны «увидеть» этот комплекс и активироваться.
7. Эффекторная функция — активированные Т-клетки должны убить опухоль, а не «выгореть» в иммуносупрессивном микроокружении.

Каждый из этих фильтров отсеивает подавляющее большинство кандидатов. Совокупная аттриция — и есть причина того, почему только 6% проходят до конца.

Где ИИ уже помогает

Предсказание связывания с HLA

Это самый зрелый участок пайплайна. Инструменты вроде NetMHCpan-4.1, MHCflurry 2.0 и MixMHCpred умеют предсказывать, свяжется ли конкретный пептид с конкретным аллелем HLA, с неплохой точностью.

Современные модели используют пан-аллельные подходы: нейросеть обучается одновременно на данных по множеству аллелей, что позволяет экстраполировать даже на редкие варианты HLA. Для обучения используют данные аффинитет связывания и масс-спектрометрические данные иммунопептидомики — то есть реальные пептиды, которые были обнаружены на поверхности клеток.

Предсказание процессинга

MHCflurry 2.0 дополнительно моделирует этап процессинга — предсказывает, будет ли пептид вообще сгенерирован протеасомой. Это важно, потому что связывание с HLA в отрыве от процессинга даёт много ложноположительных срабатываний.

Выявление неоантигенов

Полный пайплайн начинается с секвенирования. Пациенту делают полногеномное (WGS) или полнексомное (WES) секвенирование опухоли и здоровой ткани, сравнивают их, находят соматические мутации (SNV, инделы, генные слияния), а затем прогоняют кандидатов через фильтры предсказания. Инструменты pVACtools, MuPeXi и VaxRank автоматизируют этот процесс.

Предсказание распознавания TCR

Здесь ситуация значительно хуже. Инструменты NetTCR, MixTCRpred и TCR-ESM пытаются предсказать, свяжется ли конкретный Т-клеточный рецептор с конкретным пептидно-HLA комплексом. Но бенчмарки показывают: на невиденных при обучении эпитопах все модели работают на уровне случайного угадывания.

Это критическая проблема, потому что TCR-репертуар каждого пациента уникален, и предсказания, натренированные на ограниченной базе известных пар TCR-эпитоп, не обобщаются.

Валидационный разрыв: 6% и что за ними

Самый ценный фрагмент обзора — разбор того, почему разрыв между предсказанием и реальностью так велик. Инициатива TESLA (Tumor Neoantigen Selection Alliance) провела масштабный бенчмарк: десятки команд получили одни и те же данные секвенирования опухоли и должны были предсказать иммуногенные пептиды. Результат — из 608 кандидатов подтвердилось всего 37.

Авторы объясняют это несколькими причинами:

Данные неполны. Обучающие выборки покрывают лишь часть аллелей HLA и типов тканей. Модели экстраполируют за пределы обучающего распределения — и ошибаются.

Процессинг контекст-зависим. Состав протеасомы (конститутивная vs. иммунопротеасома), воспалительный статус, тип клетки — всё это влияет на то, какие пептиды будут сгенерированы. Большинство предикторов treats процессинг как фиксированную функцию.

«Тёмные» антигены. Растущая доля валидированных опухолевых антигенов происходит из неканонических источников — криптических открытых рамок считывания, удержанных интронов, некодирующих РНК. Пайплайны, построенные на канонических аннотациях протеома, эти мишени систематически пропускают.

Стабильность vs. аффинитет. Скорость отщепления пептида от HLA (off-rate) предсказывает иммуногенность лучше, чем аффинитет связывания. Но большинство предикторов выдают именно аффинитет, а между этими двумя характеристиками лишь слабая корреляция.

Мультимодальные модели: обещания и оговорки

Новейшее поколение ИИ-моделей пытается интегрировать данные разных типов: геномные, транскриптомные, протеомные, данные о микроокружении опухоли. Трансформерные архитектуры, графовые нейросети, языковые модели белков (ESM) — все они применяются для более точного прогноза.

Но авторы обзора отмечают несколько существенных оговорок:

• Трансформерные модели наследуют перекосы своих обучающих корпусов, которые состоят преимущественно из канонических протеом, а не иммунопептидомов.
• Графовые подходы страдают от несоответствия масштабов: характеризованных TCR в публичных базах — единицы, а реальный репертуар пациента — порядки.
• Мультимодальное слияние на малых выборках часто выигрывает за счёт статистической идентифицируемости, а не биологической точности.
• Улучшения предсказания на тестовых выборках обусловлены корреляционными, а не каузальными связями. При переносе на другие когорты, типы рака или популяции HLA качество резко падает.

Клинические данные: что реально работает

Обзор приводит данные нескольких клинических программ:

KEYNOTE-942 / mRNA-4157 (Moderna + Merck) — мРНК-вакцина, кодирующая до 34 неоантигенов. В фазе 2b при меланоме комбинация с пембролизумабом снизила риск рецидива на 44%. Фаза 3 продолжается.

BNT122 / Autogene cevumeran (BioNTech) — мРНК-липоплексный препарат с до 20 неоантигенами. В фазе 1 при раке поджелудочной железы 8 из 16 пациентов-респондеров не достигли медианы безрецидивной выживаемости.

Неоантигенные пептидные вакцины при глиобластоме — в когорте из 173 пациентов медиана общей выживаемости составила 31,9 месяца (при типичных 15–16 мес. для стандартной терапии). Иммунный ответ на вакцину был обнаружен у 90% пациентов.

Это многообещающие сигналы, но важно понимать: два ключевых позитивных испытания используют закрытые проприетарные пайплайны предсказания, детали которых не раскрыты. Воспроизводимость — открытый вопрос.

Почему персональные вакцины — это сложно

Помимо биологии, есть и практические барьеры:

• Скорость. От секвенирования до готовой вакцины проходят недели. При агрессивных опухолях это критично.
• Стоимость. Каждая вакцина изготавливается индивидуально — это не конвейер.
• Регуляторика. Существующие фреймворки не приспособлены к терапиям «один пациент — один препарат». Отдельный вопрос — как регулировать адаптивные алгоритмы, которые обновляются после развёртывания.
• Разрыв иммуногенность/эффективность. Во многих испытаниях вакцины вызывают сильный Т-клеточный ответ в крови, но не улучшают выживаемость. Опухолевое микроокружение (PD-1/PD-L1, регуляторные Т-клетки, TGF-β) подавляет активность вакцинированных лимфоцитов внутри опухоли.
• Предвзятость данных. Обучающие наборы перекошены в сторону аллелей HLA, распространённых в европейских популяциях. Качество предсказаний для африканских, азиатских и коренных популяций систематически ниже.

Что это значит на практике

ИИ не «изобретает» вакцину от рака. Он работает как мощный фильтр, который из тысяч мутантных пептидов отбирает десятки наиболее перспективных кандидатов для экспериментальной валидации. На этом этапе его ценность неоспорима — ручной анализ занял бы месяцы.

Но понимать границы необходимо. Современные предикторы HLA-связывания хороши, предсказания процессинга — приемлемы, а прогнозы TCR-распознавания и иммуногенности — пока слабы. Клинические данные подтверждают: персональные вакцины работают, но не у всех и не всегда, и предсказать, у кого именно, мы пока не умеем.

Ближайшее будущее — вероятно, не в полностью персонализированных препаратах (слишком дорого и медленно), а в «полуперсонализированных» вакцинах, нацеленных на неоантигены, общие для опухолей данного типа и данного HLA-генотипа. ИИ здесь — ключевой инструмент для идентификации таких общих мишеней.

Источник: Brlek P., Kolić J., Bulić L., Škaro V., Primorac D. «Artificial intelligence in peptide cancer vaccine design: from neoantigen discovery to immunogenicity prediction». Frontiers in Genetics, Volume 17, 2026. DOI: 10.3389/fgene.2026.1875066