收录解读
这篇 Nature Machine Intelligence 论文提出 UniAIR，用统一的多模态框架预测抗体、抗原、TCR-pHLA 等自适应免疫识别场景中的突变效应，目标不是单一预测器，而是跨任务、跨模态的免疫识别基础方法。
方法上，UniAIR 组合标准化数据管线、面向界面的序列-结构融合 Transformer、进化信息和几何表征，并支持多专家共识以及在缺少实验结构时使用预测结构输入。这个接口中心的设计让模型能在多类免疫识别任务中复用。
实验覆盖抗体成熟、抗原逃逸、TCR-pHLA 优化和缺少实验结构的场景，报告显示在大规模 benchmark 与独立测试中取得强泛化表现，并能在稀疏反馈下进行多轮肽优化和关键功能突变识别。
收录价值在于它体现了 AI for immunology 从窄任务预测走向统一突变景观建模和免疫治疗设计工作流，对蛋白/免疫工程、多模态生物建模和实验优化循环都有可复用参考价值。
原始摘要与中文对照
中文对照翻译
通过统一多模态框架实现适应性免疫识别中可泛化的突变效应预测。适应性免疫是一种核心防御系统，通过淋巴细胞对病原体的精确分子识别，对病原体提供长期且高度特异性的保护，这对其至关重要。然而，预测突变如何重塑这些相互作用仍然是一个重大挑战。尽管先前的计算方法利用大规模预训练进行突变效应预测，但大多数方法是为特定任务或模态设计的，难以在免疫识别的异质多模态环境中泛化。在本文中，我们介绍了UniAIR，这是一个模块化、多模态的框架，用于在各种免疫识别场景中准确且可泛化地预测突变效应。UniAIR整合了一个标准化的数据管道、一个以界面为中心的序列-结构融合Transformer（它将进化信息与几何表示相结合），以及一套用于多专家共识和适应预测结构输入的扩展功能。我们通过大规模基准测试和跨免疫学任务的独立测试，全面评估了UniAIR。评估涵盖了细胞外和细胞内免疫识别，包括抗体成熟、抗原逃逸、TCR–pHLA优化以及实验结构不可用时的分析。大量实验表明，UniAIR实现了最先进的性能，并以最少的任务特定调整提供了鲁棒的预测。特别是，UniAIR在稀疏反馈下成功地对TCR–pHLA复合物进行了多轮肽优化，并在不完整的抗体-抗原结构中识别出关键功能突变。总之，UniAIR为绘制突变图谱、增进对适应性免疫识别的理解以及加速免疫治疗设计奠定了统一的计算基础。
原始摘要
Adaptive immunity is a central defence system essential for long-term and highly specific protection against pathogens through the precise molecular recognition of antigens by lymphocytes. However, predicting how mutations reshape these interactions remains a major challenge. Although previous computational approaches leverage large-scale pretraining for mutation-effect predictions, most are designed for specific tasks or modalities and struggle to generalize across the heterogeneous, multimodal landscape of immune recognition. Here we introduce UniAIR, a modular, multimodal framework for the accurate and generalizable prediction of mutation effects across immune recognition scenarios. UniAIR integrates a standardized data pipeline, an interface-centric sequence–structure fusion transformer that integrates evolutionary information with geometric representations, and a suite of extensions for multiexpert consensus and adaptation to predicted structure inputs. We comprehensively evaluated UniAIR through large-scale benchmarking and independent tests across immunological tasks. The evaluation covered both extracellular and intracellular immune recognition, including antibody maturation, antigen escape, TCR–pHLA optimization and analyses in which experimental structures were unavailable. Extensive experiments show that UniAIR achieves state-of-the-art performance and delivers robust predictions with minimal task-specific tuning. In particular, UniAIR successfully performed multiround peptide optimization of a TCR–pHLA complex under sparse feedback and identified key functional mutations in incomplete antibody–antigen structures. Together, UniAIR establishes a unified computational foundation for mapping mutation landscapes, advancing understanding of adaptive immune recognition and accelerating immunotherapeutic design.