腾讯AI Lab姚建华博士等人在 Science 子刊 Science Advances 上发表了题为：DeepAIR: a deep-learning framework for effective integration of sequence and 3D structure to enable adaptive immune receptor analysis 的研究论文。

该研究提出了一种名为DeepAIR的深度学习框架，有效整合了适应性 免疫 受体（AIR）的序列和三维结构信息，以准确预测AIR与抗原之间的结合。

在这项研究中，研究团队提出了一种名为DeepAIR的深度学习框架，通过整合序列和三维结构信息，以准确预测AIRs与抗原之间的结合。DeepAIR框架采用了专门设计的门控注意力机制和张量融合机制，将序列信息和AlphaFold2预测的AIR结构信息进行有效融合，从而实现AIR-抗原结合预测。

在六个包含T细胞受体（TCR）和B细胞受体（BCR）的基准测试数据集上进行的测试显示，DeepAIR在AIR-抗原结合亲和力，AIR-抗原结合特异性，和免疫组库分类等三个任务上，相对于现有基于序列的方法实现了更好的预测性能。DeepAIR在预测T细胞受体（TCR）结合亲和力方面，和真实亲和力的皮尔逊相关系数达到了0.813，同时在预测T细胞受体（TCR）和B细胞受体（BCR）结合特异性方面的中位AUC分别达到0.904和0.942。

此外，DeepAIR还能通过TCR和BCR免疫组库准确识别鼻咽癌（NPC）和炎症性肠病（IBD）患者。

值得注意的是，DeepAIR框架不仅准确预测了AIR-抗原结合亲和力，还揭示了与抗原表位结合的重要区域。这将有助于更好地理解免疫系统的工作原理，并为免疫疗法开发和疫苗设计提供新的思路。

总的来说，DeepAIR的开发将有助于提高免疫细胞受体与抗原结合预测的准确性，为研究适应性免疫提供有力支持。此外，DeepAIR还可以帮助科学家更好地了解适应性免疫系统，为免疫治疗和疫苗设计提供指导。