近日，北京邮电大学信息与通信工程学院王光宇教授联合清华大学、Monash大学、深圳大学等多学科团队，在国际顶级期刊《Nature Machine Intelligence》在线发表了题为“Generalizable mutation-effect prediction across adaptive immune recognition via unified multimodal framework （https://www.nature.com/articles/s42256-026-01243-7；面向适应性免疫识别的多模态通用突变效应预测框架）”的研究文章。面向AI for Science领域中免疫系统建模与预测的关键挑战，研究团队提出了统一多模态免疫识别框架（UniAIR），为理解免疫识别机制、解析免疫逃逸规律以及预测关键突变影响提供了新的人工智能工具，有望加速抗体工程优化、疫苗研发和个体化免疫治疗等领域的发展。

适应性免疫由体液免疫与细胞免疫两大体系组成，二者相互协同，构成机体长期防护与特异性应答的重要基础。这两种体系的核心机制分别是B细胞产生的抗体和T细胞受体（TCR）对抗原的精确识别与结合，而在它们相结合的界面上发生的氨基酸突变可能导致识别强弱和结合特异性改变，对抗体药物、病毒防护、肿瘤治疗、免疫疗法等产生直接影响。由于可能的突变组合数量巨大、对免疫分子相互作用的影响机制复杂，依靠实验逐一测试各类突变组合的成本与周期令研究人员难以承受，而人工智能模型则成为候选筛选与机制分析的重要工具。然而，既有方法多面向单一体系或单一任务设计，在数据来源不一、结构信息缺失等现实场景下，普遍存在预测稳定性不足、跨场景迁移困难等问题。

UniAIR总体框架（a-e）及应用（f）

针对上述瓶颈，研究团队提出一种名为UniAIR（Unified Adaptive Immune Recognition）的人工智能算法，通过统一建模结合界面的多模态信息，在适应性免疫的不同结合体系和多种应用场景中实现了具有良好泛化能力的突变效应预测。UniAIR通过模块化数据处理工具，将来源各异的免疫复合物信息统一整理为面向突变位点的结合界面表征；通过多模态模块融合蛋白质语言模型的进化序列信号与三维结构中的界面几何信息，并以多专家融合（MoFPE）策略综合多种结构视角下的预测结果；针对实验结构缺失、需使用预测结构作为输入的场景，研究团队进一步设计了轻量级的潜空间适配模块（UniAIR-LT），缓解预测结构与实验结构的不一致性。

团队在多个测试与下游场景中对 UniAIR 进行了系统评估。任务覆盖抗体–抗原与 TCR–pMHC等典型体系，并涵盖抗体成熟、抗原逃逸以及 TCR–pHLA 突变机制分析等多种场景。结果显示，UniAIR 在多种免疫相关任务上取得优于现有方法的预测精度与泛化能力；在结构信息不完整等更贴近实际应用的条件下，依然保持较强预测性能。此外，团队还将高通量的 UniAIR 预测与低通量、高精度的自由能微扰（FEP）相结合，形成大范围筛选与少量反馈结合的优化流程，能够在复杂的突变组合空间中进行多轮优化。相关成果为免疫识别机制解析，以及治疗性抗体、肽疫苗等方向的定量预测与辅助设计提供了更统一的方法基础。

UniAIR结合FEP进行KRASG12D新抗原肽优化的整体流程与分子动力学分析