DeepTCR VAE + KNN：用一个 7.87MB 的编码器做 TCR Repertoire 分析
发布日期: 2026-09-20 作者: DiVo Gen²AI 研发团队
一句话概要
DiVo Gen²AI 团队用 DeepTCR 的 VAE 编码器将 16.9 万条 TCR 序列编码为 256 维向量，并训练 KNN 分类器进行 TCR 结合型/非结合型判别，在 5-fold 交叉验证和未知肽段 hold-out 两种测试场景下均达到 AUC 0.999。整个训练在 CPU 上 10 分钟完成，模型仅 7.87MB——展示了一条与 GPU 大模型完全不同的轻量化 TCR 分析路线。
背景：TCR 测序数据的"理解"难题
肿瘤免疫治疗时代，TCR 测序（immunosequencing）已广泛应用于：
- 肿瘤浸润淋巴细胞的克隆扩增分析
- 免疫检查点治疗的响应预测
- CAR-T / TCR-T 细胞治疗的特异性评估
但原始 TCR 测序数据是数百万条 CDR3 氨基酸序列——如何从序列中提取可分析的特征是所有下游应用的基础难题。
传统方法用手工特征（CDR3 长度、氨基酸组成、理化性质），但 TCR 序列的特异性蕴含在复杂的序列模式中，手工特征难以捕获。
DeepTCR：VAE 学习 TCR 序列的"语义"
DeepTCR（Sidhom et al., Nature Communications 2021，Johns Hopkins University）提供了一个优雅的方案：用变分自编码器（VAE）学习 TCR 序列的潜在表示。
架构
| 组件 | 说明 |
|---|---|
| 输入 | CDR3β 氨基酸序列 + Vβ/Jβ 基因使用 |
| 编码器 | 3 层卷积 + 全连接 → 256 维 latent 向量 |
| 解码器 | 从 latent 向量重构原始序列 |
| 训练目标 | 重构损失 + KL 散度 |
256 维 latent 向量捕获了 TCR 序列的"语义"——相似的 TCR 在潜在空间中距离近，不同的 TCR 距离远。这个空间天然支持聚类、最近邻分类、异常检测、可视化。
DeepTCR 的学术地位
| 维度 | 说明 |
|---|---|
| 论文 | Nature Communications 2021（IF=14.7） |
| 第三方基准 | 2025 年 NAR Genomics 无监督 TCR 聚类基准测试中保留率第一 |
| 工业采用 | Regeneron 制药用于高通量 dextramer-TCR 映射 |
| 引用期刊 | Nature Reviews Immunology、Science Advances、Genome Biology |
| 维护状态 | 持续更新至 2.1.29（2025），作者从 Johns Hopkins 到 Mt Sinai 持续维护 |
我们的实验：VAE 编码 + KNN 分类
实验设置
| 项目 | 详情 |
|---|---|
| VAE 权重 | DeepTCR 官方 checkpoint（7.87MB，119 个变量） |
| 编码数据 | VDJdb 2026-05-16：168,896 条 TCR 序列 |
| 分类器 | sklearn KNN（n_neighbors=5） |
| 分类任务 | 结合型 TCR vs 非结合型 TCR |
| 硬件 | CPU（无 GPU） |
| 总耗时 | ~10 分钟（编码 168k 序列 + KNN 训练） |
实验结果
| 测试场景 | AUC | Accuracy | F1 |
|---|---|---|---|
| 5-fold CV（随机划分） | 0.9997 | 0.9996 | 0.9996 |
| 未知肽段 hold-out | 0.9989 | 0.9987 | 0.9988 |
两个场景的 AUC 几乎一致（0.9997 vs 0.9989）——因为 KNN 分类不看肽段，只看 TCR 序列本身是否像"结合型 TCR"，所以肽段是否见过对结果影响很小。
诚实评估：0.999 AUC 意味着什么（和不意味着什么）
我们要明确这个数字回答的问题和没回答的问题：
它回答的问题
"这个 TCR 像不像已知的结合型 TCR？"
VAE latent 空间能有效区分"已知结合型 TCR"和"随机配对的 TCR"。这对 TCR repertoire 粗筛有直接价值——快速标记患者 TCR 库中哪些克隆可能是抗原经验的。
它没回答的问题
"这个 TCR 能不能结合这个特定肽段？"
因为 KNN 只看 TCR 序列，不看肽段。这个问题由看肽段的模型回答——那是另一类工具（如 TCR-肽段结合预测器）的工作。
信息泄漏说明
同一 TCR 可能结合多个肽段。如果它在训练集中作为"结合型"出现，在测试集中也作为"结合型"出现（即使配对不同肽段），KNN 会通过序列相似性正确分类。所以 0.999 不能与看肽段的模型（如 DiVoPostTCR 的 0.9814）直接比较——它们在解不同的题。
与 GPU 大模型路线的对比
| 维度 | DeepTCR VAE + KNN | DiVoPostTCR（ProtT5-XL 微调） |
|---|---|---|
| 模型大小 | 7.87MB | 9.3GB |
| 硬件需求 | CPU | GPU |
| 训练时间 | 10 分钟 | 2 小时 |
| 看肽段 | ❌ | ✅ |
| 任务 | TCR 序列分析（repertoire） | TCR-肽段结合预测 |
| 学术背景 | Nat Commun 2021 + 2025 基准 | 自研 |
两条路线是互补的：轻量 CPU 路线做 repertoire 粗筛（快、便宜、可本地部署），重量 GPU 路线做肽段特异性验证（精确但昂贵）。
实际应用场景
场景 1：肿瘤浸润淋巴细胞分析
对患者肿瘤组织的 TCR 测序数据做 VAE 编码 → 聚类 → 发现扩增的 TCR 群组 → KNN 标记哪些是结合型 → 这些可能是肿瘤特异性克隆。
场景 2：TCR-T 治疗的特异性评估
改造 TCR 前先编码 → 检查它在 latent 空间中与已知自身反应性 TCR 的距离 → 评估脱靶风险。
场景 3：疫苗免疫监测
接种新抗原疫苗后，编码患者 TCR 库的时序样本 → 追踪疫苗诱导的 TCR 克隆扩增。
复现
# 环境：CPU 即可
# 依赖：DeepTCR 2.1.29（pip install DeepTCR）、scikit-learn
# 1. 加载 VAE checkpoint，对 TCR 序列编码
# 2. 用 VDJdb 标签训练 KNN
# 3. 对新 TCR 序列预测结合型概率
完整方法参考 DeepTCR 论文（DOI: 10.1038/s41467-021-21879-w）和 VDJdb（DOI: 10.1093/nar/gkx760）。
团队
DiVo Gen²AI 干计算研发团队。专注前沿计算生物学与核酸药物研发。
致谢
- DeepTCR（Sidhom JW et al., Nature Communications 2021, 12:1605）提供了 VAE 框架
- VDJdb（Shugay M et al., Nucleic Acids Research 2017）提供了训练数据