MHCflurry

MHCflurry

MHCflurry 架构：基于集成深度学习的抗原呈递预测模型
开发团队	纽约西奈山伊坎医学院 (Icahn School of Medicine at Mount Sinai)
最新版本	MHCflurry 2.0
算法核心	卷积神经网络 (CNN) 集成模型
核心参数	$IC_{50}$ 结合力, 呈递评分 (PS)
许可协议	Apache License 2.0 (开源)

MHCflurry 是一款基于深度学习（Deep Learning）的开源算法框架，专门用于预测肽段与主要组织相容性复合体 I 类（MHC-I）分子的结合亲和力。作为 **新抗原预测** 领域的重要工具，MHCflurry 不仅能计算物理结合强度，还通过其 2.0 版本引入了专门的“呈递模型”（Presentation Model），该模型整合了抗原加工动力学（如蛋白酶体切割及 TAP 转运），显著提升了对细胞表面真实展示抗原的预测精度。

在 2025 年的精准免疫诊疗中，MHCflurry 因其开源透明性、高性能的本地化部署能力以及对罕见 HLA分型 的良好支持，成为开发个性化肿瘤疫苗和筛选 **TCR-T治疗** 靶点的核心组件。

核心技术逻辑与 2.0 特性

MHCflurry 的性能优势来源于其独特的模型设计：

• **集成学习 (Ensemble Learning)**：通过训练多个不同结构的卷积神经网络（CNN）并取其加权平均值，有效降低了单模型的预测偏置。
• **双模型架构**：
  • **Affinity Model**：纯粹预测肽段与 MHC 结合槽的亲和力（以 $IC_{50}$ 表示）。
  • **Presentation Model**：通过对大规模质谱（MS）洗脱数据建模，学习细胞内抗原加工的非序列依赖性特征。
• **泛等位基因支持**：利用 HLA 伪序列（Pseudo-sequences）技术，支持对超过 14,000 种 HLA 分子的亲和力外推预测。

   全外显子组 (WES) 提取突变肽段
   →
   MHCflurry 2.0 呈递概率评分
   →
   鉴定具有免疫原性的真新抗原

技术评估与对比 (2025 修订版)

MHCflurry 与主流预测算法性能评估

评估维度	**MHCflurry 2.0**	**NetMHCpan 4.1**
**可访问性**	**完全开源**，支持本地大规模训练。	闭源。学术免费，商业需授权。
**模型架构**	CNN 集成模型。	简单前馈神经网络 (FFN)。
**呈递预测性能**	**卓越**。通过 PS 评分有效过滤假阳性。	优秀。通过 EL 评分评估展示概率。
**资源消耗**	较高（需 GPU 加速集成推理）。	较低。

参考文献

• [1] O'Donnell TJ, et al. MHCflurry: Open-Source Class I MHC Binding Affinity Prediction. Cell Systems. 2018;7(1):129-132. (MHCflurry 初始版本奠基文献)
• [2] O'Donnell TJ, et al. MHCflurry 2.0: Predicting MHC Class I Antigen Presentation by Integrating Binding Affinity and Eluted Peptide Data. Cell Systems. 2020;11(1):42-48. (2.0 版本呈递模型发布)
• [3] Bulik-Sullivan B, et al. Deep learning using tumor HLA peptide mass spectrometry data improves neoantigen identification. Nature Biotechnology. 2018.
• [4] Vita R, et al. The Immune Epitope Database (IEDB): 2024 update. Nucleic Acids Research. 2024.
• [5] NCCN Guidelines Version 1.2025: Biomarker Profiling in Advanced Cancers - Antigen Discovery Tools.

精准免疫算法与计算生物学导航