癌症疫苗的下一站：AI+细胞膜纳米颗粒，能成吗？

做免疫的都知道，癌症疫苗喊了很多年，但临床效果一直不理想。大多数候选疫苗在患者生存上没拿到统计学显著改善。

正好读到一篇发在《Small》上的综述，讲AI辅助的个性化细胞膜纳米疫苗，把AI抗原预测、纳米递送、细胞膜仿生三个方向捏到了一起。干货很多，直接上重点。

传统癌症疫苗为什么不灵

先回顾一下癌症疫苗的基本逻辑：肿瘤细胞因为基因突变会产生异常蛋白，这些蛋白被降解成肽段，加载到MHC-I分子上，呈递到肿瘤细胞表面，T细胞识别后就能杀伤肿瘤细胞。这篇文章里有一张图（Fig.1），把肿瘤抗原的产生、抗原呈递和T细胞活化的整个过程画得很清楚。

但肿瘤很狡猾，它会下调MHC-I表达，还会上调PD-L1等免疫抑制分子，让T细胞认不出来、杀不动。所以癌症疫苗的核心挑战是：怎么找到真正能被T细胞识别的肿瘤抗原，怎么把抗原高效递送给树突状细胞（DC），怎么激活足够强的T细胞反应。

传统的肽疫苗和mRNA疫苗有几个硬伤：

第一，抗原选择难。传统方法靠生物信息学预测，费时费力费钱，而且预测准确率不高。一个肿瘤可能有几百个突变，但真正能产生免疫原性肽段的只有少数几个。

第二，递送效率低。裸肽或裸mRNA在体内很快被降解，能到达淋巴结被DC摄取的比例很低。需要佐剂来增强免疫原性，但佐剂又可能带来副作用。

第三，免疫反应强度不够。很多疫苗只能诱导出弱的T细胞反应，不足以清除肿瘤。而且肿瘤微环境是免疫抑制的，T细胞到了肿瘤部位也可能被"麻痹"。

这篇文章里有一张图（Fig.2），对比了肽疫苗和mRNA疫苗的工作原理：肽疫苗是把肿瘤抗原肽跟佐剂混合后注射，DC摄取后激活T细胞；mRNA疫苗是把编码肿瘤抗原的mRNA递送到DC，DC翻译出蛋白后加工呈递，激活T细胞。两种都有各自的问题。

这篇综述的核心观点是：AI可以解决抗原预测的问题，纳米颗粒可以解决递送的问题，细胞膜纳米颗粒（CNP）可以同时解决抗原多样性和生物相容性的问题。三个方向结合，可能是癌症疫苗的下一个突破口。

图1 肿瘤抗原的产生、抗原表达和T细胞活化

图2 肽基和mRNA基癌症疫苗

AI怎么帮癌症疫苗找抗原

抗原预测是癌症疫苗的第一步，也是最关键的一步。AI在这个领域的进展很快，这篇文章用了不小的篇幅讲AI辅助抗原预测的技术路线。

第一代：多层感知机（MLP）。最早用MLP来预测或设计表位，通过处理数字化的氨基酸序列来预测MHC结合亲和力。但MLP受限于固定的输入维度，评估特定序列上下文内免疫原性的能力有限，现在主要用于更复杂计算框架内的专门任务。

第二代：卷积神经网络（CNN）。CNN被引入来识别肽序列中的局部基序。跟MLP相比，CNN在从学习的抗原数据中提取模式方面表现更优，能实现MHC结合基序的系统性鉴定。比如FIONA2平台用1D CNN结合NetMHCpan和NetMHCIIpan MLP架构，成功捕获MHC-I和MHC-II结合表位来预测MC38肿瘤的抗原序列。

第三代：循环神经网络（RNN）和长短期记忆网络（LSTM）。为了解决序列长度变异性的问题，RNN和LSTM被开发出来。这些架构能维持序列上下文，扩展预测能力超越简单结合亲和力，能估计pMHC复合物的动力学稳定性——特别是TCR结合的半衰期——从而促进T细胞结合潜力的鉴定和免疫反应激活的可能性。

第四代：Transformer和大语言模型（LLM）。这是目前最火的方向。Transformer架构和注意力模型，包括LLM，被用来促进MHC结合表位的发现和从头设计。通过处理氨基酸序列，Transformer能自然地学习语言处理逻辑，以前所未有的精度识别受体结合基序和关键免疫原性基序。比如HLApollino，一个基于Transformer的模型，通过整合蛋白质语言模型、pMHC-I泛等位基因泛癌基因表达数据，展示了高泛化能力，无需针对单独等位基因进行训练。ImmuneApp-Neo利用注意力机制和大规模免疫肽组学分析，通过复杂的去卷积增强了跨多种肿瘤类型的新抗原发现。

第五代：图神经网络（GNN）。GNN专门优化用于通过3D结构建模来预测表位、pMHC和TCR之间的相互作用。GraphMHC从Transformer中提取的结构特征生成图，通过在受体口袋和表位之间生成氨基酸序列的结构适应度图，精确模拟结构相互作用。通过同时模拟残基的吸引和排斥，这个模型自主识别预测性结构特征，比传统框架取得了更高的预测准确率。

总结一下：AI已经成为癌症疫苗抗原预测不可或缺的工具，从简单的MLP到复杂的Transformer和GNN，预测准确率在不断提高。但挑战仍然存在：大多数现有模型在特定临床应用中受到训练数据规模和常见HLA等位基因偏见的限制。AI辅助个性化癌症疫苗的研究仍处于早期阶段，需要更多临床验证。

疫苗行业专业交流群已开启

群管理员微信

扫描左上方群二维码，注明“公司-职位-姓名”，申请加入疫苗技术交流社群，名额有限，符合要求方可批准通过。

纳米颗粒怎么解决递送问题

找到了抗原，下一个问题是怎么把抗原高效递送到DC。纳米颗粒是目前最主流的解决方案，这篇文章里有一张图（Fig.3），展示了纳米颗粒基癌症纳米疫苗的设计：包括货物（肿瘤抗原肽、mRNA、佐剂、药物、无机纳米颗粒）、材料（脂质、多糖、多肽/聚合物、细胞膜）、靶向（抗体、配体），以及优势（增强循环、淋巴结蓄积、稳健免疫反应）。

脂质体和LNP是目前最成熟的平台。跟mRNA疫苗用的是同一类技术。脂质体可以同时包裹抗原和免疫调节剂，实现协同递送。LNP则被设计用来包裹膜相关抗原，比如B16-OVA和CT26，通过限制颗粒大小和pH-OVA进一步优化。这篇文章里有一张表（Table 1），列出了大量脂质体/LNP基癌症纳米疫苗的研究，包括不同的肿瘤模型、抗原类型、活性成分和是否用了AI辅助。

聚合物纳米颗粒也有广泛应用。PLGA是FDA批准的聚合物，生物相容性好、可生物降解，具有良好的机械性能和制造灵活性。PLGA纳米颗粒可以包裹多种抗原和免疫调节剂，通过控释动力学持续免疫激活。比如PLGA纳米疫苗包裹OVA肽和Riboxxim（一种合成的RNA类似物），在小鼠中诱导了增强的CD8+ T细胞反应，抑制了原发性肿瘤生长和转移，提高了总生存率。

无机纳米颗粒也有独特优势。比如介孔二氧化硅纳米颗粒（MSN）、金纳米颗粒、Mn基纳米颗粒等。这些颗粒可以通过物理化学性质（如粒径、表面电荷、孔隙率）来调节免疫反应。比如Mn-LDH（层状双氢氧化物）加载OVA，通过Mn2+介导的STING通路激活DC，增强抗肿瘤免疫。

AI也开始用于纳米颗粒的设计和优化。这篇文章专门有一节（2.2.3）讲AI辅助纳米颗粒设计。比如用机器学习（XGBoost、随机森林、支持向量机）整合大规模LNP数据来精确计算每种脂质类型的贡献。生成式AI（如COMET模型）用于LNP配方优化，COMET计算最佳配方参数（如组分、相对摩尔比、N/P比、混合条件），预测两者的递送效率和冻融稳定性，甚至预测毒性。还有AI模型用于预测纳米颗粒的体内药代动力学和生物分布，比如混合深度神经网络（DNN）和Physiologically Based Pharmacokinetic（PBPK）模型。

但纳米颗粒也有局限性：制造复杂性和批次间差异、非特异性生物分布（在肝脏和脾脏蓄积）、潜在毒性。这些问题需要通过靶向配体或功能涂层来解决，同时需要严格的长期安全性评估。

图3 纳米颗粒基癌症纳米疫苗

表1 癌症纳米疫苗总结

细胞膜纳米颗粒（CNP）：这篇综述的主角

前面讲的都是合成纳米颗粒，这篇综述的重点其实是细胞膜纳米颗粒（CNP）。这篇文章里有一张图（Fig.5），展示了CNP技术作为癌症纳米疫苗平台的潜力：CNP能保留肿瘤来源的抗原结构，能整合多种功能材料，还能通过基因或化学修饰进一步增强靶向性和功能性。

CNP跟合成纳米颗粒的核心区别是什么？这篇文章里有一张表（Table 2），详细对比了两者：

-抗原来源：合成纳米颗粒用的是合成肽或mRNA，CNP用的是表面pMHC肽段库和癌细胞膜

-组成：合成纳米颗粒是脂质、聚合物、无机材料，CNP是癌细胞膜

-递送机制：合成纳米颗粒是内吞作用，CNP是膜融合

-免疫激活：合成纳米颗粒需要细胞内抗原加工，CNP是直接抗原呈递，保留天然抗原结构

-靶向能力：合成纳米颗粒相对较低，通常需要表面修饰，CNP相对较高，具有内在靶向能力

-生物相容性：合成纳米颗粒是材料依赖型，可能需要表面修饰，CNP相对较高，循环时间延长

CNP的核心优势是"仿生"。它直接用癌细胞的细胞膜来包裹纳米颗粒核心，这样细胞膜上天然表达的MHC-抗原肽复合物、各种受体、信号分子都保留下来了。这意味着CNP能同时呈递多种肿瘤抗原，不需要事先预测哪个抗原有免疫原性——这正好解决了传统疫苗抗原选择难的问题。

而且CNP的细胞膜来源是患者自身的肿瘤细胞，所以是真正的个性化疫苗，每个患者的CNP都携带自己肿瘤的独特抗原谱。这跟AI辅助的新抗原预测是互补的：AI帮你找到最可能有效的抗原，CNP帮你把所有抗原都带上，双保险。

天然CNP已经在多种肿瘤模型中显示出效果。比如CT26结直肠癌模型中，PLGA纳米颗粒用GA和CT26细胞膜包裹，增强了DC活化和肿瘤生长抑制。B16F10黑色素瘤模型中，介孔二氧化硅纳米颗粒用β-AR抑制剂普萘洛尔和CpG包裹，再用B16F10细胞膜包裹，显示出增强的淋巴结蓄积和DC活化。

功能化CNP更进一步。通过化学/酶工程或基因工程，可以对CNP的细胞膜进行修饰，增强靶向性和免疫原性。比如用唾液酸酶处理去除细胞膜上的唾液酸，增强免疫原性；或者基因敲除CD47（"别吃我"信号），增强DC吞噬；或者在细胞膜上表达共刺激分子，直接激活T细胞。这篇文章里有一张表（Table 3），列出了大量CNP基癌症纳米疫苗的研究，包括膜功能化方式（正常、药物处理、杂交、化学工程、基因工程）、肿瘤类型、细胞系、活性成分等。

这篇文章里还有两张图（Fig.6和Fig.7），展示了CNP基癌症纳米疫苗的临床前治疗效果评估和CNP工程增强抗肿瘤免疫反应的实验数据，包括DC成熟、细胞因子分泌、肿瘤生长抑制、T细胞浸润等指标。

图5 CNP技术作为癌症纳米疫苗平台的潜力

表2 纳米颗粒基与CNP基癌症纳米疫苗比较

表3 CNP基癌症纳米疫苗总结

图6-7 CNP临床前效果评估

挑战和未来方向

这篇综述最后讨论了挑战和展望，做免疫的人应该关注这些问题。

第一，个性化抗原预测和"安全优先"机制。虽然AI抗原预测进展很快，但大多数现有模型在特定临床应用中受到训练数据规模和常见HLA等位基因偏见的限制。而且AI预测的抗原可能在正常细胞上也有低水平表达，导致脱靶毒性。未来的AI框架需要超越仅仅识别能结合肿瘤的序列，建立一个"安全优先"系统，优先考虑免疫原性安全的抗原。

第二，AI设计纳米颗粒和CNP平台的临床转化。AI辅助纳米载体开发进展很快，但监管和时间壁垒仍然是实际临床转化的关键瓶颈。新合成的材料需要几年的临床前和临床评估，很难立即满足有迫切需求的患者。需要开发跟现有已批准药物和载体兼容的AI平台，基于患者特征（包括年龄、性别、毒性）在体内行为、药代动力学和非特异性免疫反应方面进行优化。

第三，CNP的制造和标准化。CNP的临床转化受到制造挑战的限制。个性化CNP基疫苗需要标准化的膜提取和功能化工作流程，可重复的生产，以及明确的质量属性。AI辅助的过程优化和实时质量监测设计可能有助于解决这些限制，支持患者特异性CNP决策跟监管期望保持一致。

第四，跟免疫检查点抑制剂（ICB）的联合。这篇文章多次提到，癌症纳米疫苗跟ICB联合使用能显著增强效果。因为疫苗负责把T细胞"喊过来"，ICB负责解除肿瘤微环境对T细胞的"麻痹"，两者协同。未来的癌症疫苗大概率不是单打独斗，而是跟ICB、化疗、放疗等联合使用。

这篇文章最后有一张图（Fig.8），展示了癌症纳米疫苗和AI应用的展望，分为三个方向：抗原预测、配方优化、个性化纳米疫苗开发。AI可以在这三个环节都发挥作用，跟CNP技术结合，可能是下一代个性化癌症疫苗的方向。

图8 癌症纳米疫苗和AI应用的展望

做免疫的人怎么看

从免疫专家的角度，这篇综述梳理的方向很清晰，但也要理性看待。

AI+纳米+细胞膜，三个方向的结合确实有逻辑。AI解决抗原预测的效率和准确率问题，纳米颗粒解决递送和淋巴结靶向问题，细胞膜纳米颗粒解决抗原多样性和生物相容性问题。三个问题都是传统癌症疫苗的痛点，如果都能解决，癌症疫苗的效果应该会有质的提升。

但目前还主要是临床前研究，离临床应用还有距离。这篇综述引用的大量研究都是小鼠模型的数据，虽然效果看起来不错，但小鼠跟人的免疫系统差异很大，临床转化的成功率不高。特别是CNP，需要从患者肿瘤中提取细胞膜，制造流程复杂，批次间差异大，标准化和监管都是挑战。

个性化是方向，但成本和可及性是问题。真正的个性化癌症疫苗（无论是AI预测的新抗原疫苗还是CNP疫苗）都需要为每个患者单独制造，成本很高，制造周期长。对于进展快的肿瘤患者，可能等不及。未来可能需要"半个性化"方案，比如针对常见突变的现成疫苗，或者用AI快速预测+快速制造的流程。

联合治疗是必然趋势。癌症疫苗单独使用效果有限，跟ICB、化疗、放疗、溶瘤病毒等联合，才能发挥最大效果。这篇综述也多次提到纳米疫苗跟抗PD-1联合的协同效应。未来的癌症治疗方案大概率是"疫苗+ICB+其他"的组合，而不是单一疗法。

关注早期临床试验的读数。目前已经有一些个性化新抗原疫苗进入临床试验，比如Moderna的mRNA-4157跟K药联合在黑色素瘤中显示出不错的效果。CNP疫苗的临床进展相对慢一些，但也在推进。做免疫的人应该密切关注这些早期临床数据，特别是安全性和免疫原性的数据，这将决定整个领域的走向。

癌症疫苗是免疫治疗领域的"老话题"，但AI和纳米技术的注入让它有了新的可能性。这篇综述梳理的方向值得关注，但不要盲目乐观，等临床数据出来再下结论。做免疫的人应该保持学习，关注技术进展，同时理性看待临床转化的挑战。

参考文献

Kim M, Noh I. Cancer Vaccine Development: Toward Artificial Intelligence-Assisted Personalized Cell Membrane Nanovaccine. Small. 2026;22:e74601. doi:10.1002/smll.24601

识别微信二维码，添加生物制品圈小编，符合条件者即可加入

生物制品微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。