从打分矩阵到Transformer：MHC肽结合预测的三个世代，以及"老方法"还有没有用？

作者：DiVo Gen²AI Neoantigen Team
日期：2026-07-01
标签：#新抗原 #MHC预测 #深度学习 #计算免疫学 #教学

---

引言

最近在审阅一份客户的新抗原管线技术方案时，我们注意到PPT将六个MHC肽结合预测工具并列罗列：NetMHC、PSSMHCpan、NetMHCpan、MHCflurry、NetMHCIIpan、BOTA——仿佛它们是同一梯队的"可选工具"。

但事实并非如此。PSSMHCpan（2013）是预深度学习时代的线性打分矩阵方法，BOTA（2017）是早期深度神经网络的学术实验品，而MHCflurry 2.x（2021-2025）是Transformer架构的工业级方案。它们之间不是"同一条路上的快慢之争"，而是走上了不同的路。

不过，这篇文章不想简单地喊"碾压"。我们想从一个更诚实的角度来讨论：

老方法在学术和教学中有没有价值？它们的轻量级特性是否在今天仍有场景？以及，一个经典的学术案例——Cantor et al. 2011的门冬酰胺酶去免疫化——恰好说明了为什么"1个HLA的验证"和"全等位基因覆盖"之间有着天壤之别。

---

一、三个世代的技术本质

世代1：PSSMHCpan（2013）——位置特异性打分矩阵

PSSMHCpan的核心算法极其简洁：为每个MHC等位基因构建一个固定长度的位置权重矩阵（PSSM），肽段各位置氨基酸的打分从矩阵查表累加：

$S(\text{peptide}) = \sum_{i=1}^{9} w_{i, a_i}$

其中 $w_{i,a_i}$ 是位置 $i$ 上氨基酸 $a_i$ 的权重。各位置独立打分，线性加和。

优点：

• 计算量极小——一次预测就是9次查表+求和
• 无需GPU，甚至无需浮点运算密集型硬件
• 可解释性极强——每个位置的权重直接告诉你"哪个氨基酸在哪个位置更重要"
• 教学价值极高——初学者可以从PSSM直观理解"MHC结合槽的位置偏好"

局限：

• 各位置独立——完全忽略位置间的协同效应（如口袋B和口袋F的立体互补）
• 等位基因覆盖率低——~1,000 alleles（不足人类MHC-I多样性的7%）
• 无呈递/加工评分——只回答"能不能结合"，不回答"能不能被T细胞看到"
• 数据冻结——2013年的训练数据无法增量更新

世代2：BOTA（2017）——早期深度神经网络

BOTA 将线性打分替换为前馈神经网络+卷积层混合架构（DNN+CNN hybrid），引入了位置间的局部交互建模。需要注意的是，2017 年正是"Attention is All You Need"发表之年——BOTA 虽名称中含"Transformer"，但其 DNN+CNN 架构并非那篇论文定义的多头自注意力 Transformer，而是 Transformer 范式成为主流之前的早期深度学习路线。注意力机制和 Transformer 架构并不等价，这个区分很重要。

优点：

• 相比PSSM，至少开始捕捉邻近位置的相互影响
• 展示了深度学习在MHC预测中的可行性（学术验证价值）
• 计算量仍相对可控——DNN推理远小于Transformer

局限：

• 等位基因覆盖率灾难性不足——~100 alleles（仅0.7%！）
• 9mer固定长度——8mer和10-15mer肽段完全丢失
• 学术工具定位——2017年后无重大更新，社区停滞
• 无呈递/加工评分——和PSSMHCpan一样，只输出IC50

世代3：MHCflurry 2.x（2021-2025）——Transformer + 全覆盖 + 三模型联合

MHCflurry 2.3.0rc4采用Transformer自注意力架构，三模型联合输出IC50+呈递评分+加工评分，14,883 alleles全覆盖。

优点：

• 自注意力捕捉任意位置间的全局依赖关系
• 14,883 alleles全覆盖——零临床盲区
• 呈递评分+加工评分——预测目标从"能结合"升级为"能被T细胞看到"
• 8-15mer原生支持——无需截断/padding
• 开源社区持续迭代，GPU训练加速2-3×
• TESLA基准AUROC=0.7547，有黄金基准对标

局限：

• 计算资源需求显著大于PSSM/BOTA——Transformer推理需要更多内存和算力
• 模型可解释性降低——注意力权重不等于"位置重要性"的直观解读
• 14,883 alleles的权重文件体积较大（需下载和存储）

---

二、老方法还有没有用？——一个诚实的回答

2.1 教学场景：PSSMHCpan是入门的最佳工具

如果你是计算免疫学的初学者，正在理解"MHC分子如何选择性地结合肽段"，PSSMHCpan是最好的起点。

原因很简单：PSSM的数学本质（各位置独立打分+线性加和）直接对应了MHC结合槽的物理直觉——"每个口袋偏好某种氨基酸"。你可以：

• 打开一个PSSM矩阵，直接看到HLA-A*02:01在位置2偏好L（Leu），在位置9偏好V/L
• 用一张热图可视化9×20的权重矩阵，直观感受"结合 motif"
• 手动计算一个肽段的得分，理解预测是怎么来的

然后，当你的学生理解了线性模型的局限——"为什么位置2的L和位置9的V会有协同效应，但PSSM看不到？"——你就可以自然地引入深度学习。

教学建议：先用PSSMHCpan做入门实验（几秒出结果，零GPU需求），再切换到MHCflurry做对比实验，让学生亲眼看到"Transformer如何捕捉PSSM遗漏的位置间交互"。

2.2 快速原型验证：低资源场景下的PSSM

如果你的场景是：

• 只需要针对少数已知allele做快速筛选（如HLA-A02:01, HLA-B07:02等常见allele）
• 没有GPU资源（只有CPU或轻量云实例）
• 需要在几分钟内对几千条肽段做粗筛，再拿粗筛结果喂给MHCflurry做精筛

那么PSSMHCpan的轻量级特性确实有用。它的推理速度大约是MHCflurry的50-100倍（在CPU上），可以作为"快速粗筛"的第一道过滤器。

⚠️ 前提：此策略仅适用于 PSSMHCpan 所支持的 ~1,000 alleles 范围内。若目标 allele 不在其覆盖范围内或精度显著不足，跳过粗筛，直接用 MHCflurry。

但请注意：粗筛之后必须用MHCflurry做精筛。PSSMHCpan的假阳性率和假阴性率都显著高于Transformer方案，单独使用PSSMHCpan做临床决策是不可接受的。

2.3 算法研究对照：理解"为什么深度学习更好"

如果你想研究"深度学习在MHC预测中到底赢在了哪里"，PSSMHCpan和BOTA是不可或缺的对照基准：

• PSSM vs Transformer：用同一个测试集，对比PSSMHCpan和MHCflurry在位置间交互上的预测差异，可以量化"自注意力到底捕捉了多少PSSM遗漏的信息"
• BOTA vs MHCflurry：对比100 alleles vs 14,883 alleles的预测覆盖差异，可以量化"等位基因覆盖对临床漏检率的影响"
• 线性 vs 深度学习：用已知免疫原性肽段做benchmark，可以量化"从IC50到IC50+呈递+加工"对假阳性率的降低幅度

这些都是有学术价值的对照研究。老方法不是"垃圾"——它们是理解新技术优势的参照系。

---

三、一个经典案例：1个HLA的验证为何经不起25个HLA的考验

现在我们讲一个真实的学术故事，它恰好说明了"等位基因覆盖"这件事为什么不是小问题，而是根本性问题。

3.1 Cantor et al. 2011：门冬酰胺酶的"去免疫化"

2011年，Cantor等人在PNAS上发表了一项漂亮的工作¹。他们用中性漂变（neutral drift）+ FACS高通量筛选策略，对E. coli门冬酰胺酶II（EcAII）的3个MHC-II T细胞表位核心区进行饱和突变，逐轮筛选保持催化活性的变体，最终获得了8突变体3.1.E2。

关键实验结果：

• 催化活性：kcat与WT相同，KM仅3倍升高
• 免疫原性：在HLA-DRB1*0401转基因小鼠中，T细胞反应显著降低，抗EcAII IgG滴度降低10倍
• 血清稳定性：>10天（与WT相同）

论文发表在PNAS，被广泛引用——这是一个学术上的成功案例。

3.2 问题出在哪里？

3.1.E2的"去免疫化"验证仅基于1个HLA等位基因。问题是：MHC-II是开放性结合槽，不同HLA等位基因的结合偏好差异巨大。对DRB1*0401"破坏了表位"的突变，对DRB1*03:01、DRB1*15:01等可能恰好创造了新表位。

我们在6194突变×25-allele的MHC-II预测中验证了这一点²：

8/8 Cantor突变在25-allele评估下combined_risk全部为HIGH。

N219G尤其触目惊心：在25-allele下产生了110个novel binder和40个strong binder。这个突变在DRB1*0401上"破坏了表位"，但在其他HLA上却制造了大量新的强结合肽段——这哪是去免疫化，简直是在其他HLA分型上制造新表位。

3.3 这个案例和老方法的关系

Cantor的工作是在2011年完成的——那个年代的MHC-II预测工具覆盖等位基因数远不如今天。他们用的是当时的可用工具，在可用资源下做了最好的学术工作。

但这恰好说明了PSSMHCpan和BOTA的核心局限在临床场景下的后果：

• PSSMHCpan覆盖~1,000 MHC-I alleles——对罕见allele靠推断，精度有限
• BOTA覆盖~100 alleles——罕见allele直接不支持
• 当你只能在1个HLA上验证"去免疫化"，你无法知道在其他HLA上是否制造了新表位

而MHCflurry的14,883 alleles全覆盖，意味着你可以在所有已知MHC-I等位基因上系统性评估每个突变的安全性——不再有"看不见的新表位"盲区。

教训：论文发得了PNAS，但做不了药——学术验证和临床可行是两回事。老方法在1个HLA上给出"看起来安全"的结论，但全等位基因评估揭示了隐藏风险。这不是老方法的"错误"，而是老方法看不到的盲区。

---

四、计算资源对比：老方法真的很轻量吗？

让我们做一个诚实的计算资源对比：

结论：

• 对于小规模、少量allele、CPU-only场景，PSSMHCpan确实是最轻量的选择
• 但对于临床场景（多allele × 大肽段集合），MHCflurry的GPU加速使得实际推理时间完全可以接受——A100 GPU上1000肽段×100 alleles约10秒
• PSSMHCpan的"轻量"优势仅在没有GPU资源且allele数极少时成立，而这种场景在现代云环境中已越来越少

实际推荐

---

五、从Cantor案例看"老方法+新方法"的互补价值

Cantor et al. 2011的工作在学术上是创新的，但它也暴露了一个时代局限：当MHC预测工具只能覆盖少数allele时，你无法看到全等位基因维度的风险。

如果当年Cantor有MHCflurry的14,883 alleles全覆盖能力，他们会怎么做？

1. 设计阶段：在25-allele上预筛选突变，避免"在DRB1*0401上破坏表位但在其他allele上制造新表位"的问题
2. 验证阶段：系统性验证候选突变在所有主要人群HLA分型上的安全性
3. 最终选择：可能不会选择N219G（25-allele下110个novel binder），而是选择在所有allele上都安全的突变

这恰好说明了新方法不是取代老方法，而是补上了老方法看不到的盲区——本质上不是"互补"（因为老方法在功能维度上并不提供新方法缺失的独特信息），而是"补缺"。老方法（PSSM/BOTA）在你看得见的地方给出合理预测，但在你看不见的地方（罕见allele、位置间交互、呈递/加工链路）留下了系统性风险。新方法（MHCflurry）用更大的覆盖面和更深的模型架构，照亮了这些盲区。

---

六、总结

最后一句话：尊重每一个世代的方法——PSSMHCpan教会了我们"位置偏好"，BOTA教会了我们"深度学习可行"，MHCflurry教会了我们"全覆盖+三维评分才是临床级"。它们不是同一梯队的可选工具，而是技术演进中逐级递进的路标——老方法走到自己能力边界就停下了，新方法接过了接力棒继续向前。

---

参考文献

---

DiVo Gen²AI · 前沿 + 全能 Understanding is All You Need · 遗传突变→发育→代谢→社会环境 四层互作认知框架

Footnotes

1. Cantor JR, Yoo TH, Dixit A, Iverson BL, Forsthuber TG, Georgiou G. Therapeutic enzyme deimmunization by combinatorial T-cell epitope removal using neutral drift. Proc Natl Acad Sci USA. 2011;108(4):1272-1277. doi:10.1073/pnas.1014739108 ↩

2. DiVo Gen²AI 门冬酰胺酶6194突变×25-allele MHC-II预测评估（内部数据，2026-06-10） ↩