国内免疫组化的应用情况如何？用于量化诊断的疾病有哪些?

莺歌燕舞

国内免疫组化的应用情况如何？用于量化诊断的疾病有哪些?
原文地址：https://www.zhihu.com/question/29361492

大力水手

以下是对免疫学领域主要计算工具的系统性分析，涵盖输入输出、训练数据来源及应用场景，基于工具原理与公开资源整理：
一、抗体与抗原表位预测工具

1. AbEpiTope

• 输入：蛋白质序列或结构（PDB 格式）
  
• 输出：抗体结合表位区域（残基级别）、结合亲和力评分
  
• 训练数据：
  
  
  
  • 已知抗体 - 抗原复合物结构数据（如 PDB 数据库）
    
  • 逆折叠模型（如 ESM-IF1）提取的结构特征
    
  
  
• 应用场景：
  
  
  
  • 疫苗设计中的抗原表位筛选
    
  • 治疗性抗体开发中的表位优化
    
  • 缺乏实验结构的蛋白质表位预测
    
  
  

2. ArrayPitope

• 输入：肽微阵列实验数据（单氨基酸取代结合信号）
  
• 输出：抗原残基级别的表位贡献得分、表位区域定位
  
• 训练数据：
  
  
  
  • 公开肽微阵列实验数据集（如 IEDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • 抗体 - 抗原相互作用的分子机制研究
    
  • 多克隆抗体表位特异性分析
    
  • 抗体工程中的表位改造
    
  
  

3. BepiPred

• 输入：蛋白质序列
  
• 输出：B 细胞表位区域（残基级别）、亲水性 / 可及性评分
  
• 训练数据：
  
  
  
  • 实验验证的 B 细胞表位序列（如 IEDB 数据库）
    
  • 氨基酸物理化学特征（亲水性、二级结构等）
    
  
  
• 应用场景：
  
  
  
  • 结构未知蛋白质的表位初步筛选
    
  • 疫苗设计中的初始表位预测
    
  
  

4. DiscoTope

• 输入：蛋白质结构（PDB 格式）或 AlphaFold2 预测结构
  
• 输出：不连续（构象）B 细胞表位区域
  
• 训练数据：
  
  
  
  • 已知抗体 - 抗原复合物结构数据（如 PDB 数据库）
    
  • 逆折叠模型（如 ESM-IF1）提取的结构特征
    
  
  
• 应用场景：
  
  
  
  • 已知结构抗原的表位精确预
    
  • 抗体交叉反应性分析
    
  
  

二、HLA 与 T 细胞表位预测工具

5. HLAAssoc

• 输入：HLA 基因分型数据（如 ped 文件）、人群遗传数据
  
• 输出：HLA-DRB1/DRB3/4/5 等位基因与疾病的关联分析结果
  
• 训练数据：
  
  
  
  • 全球人群 HLA 分型数据库（如 1000 Genomes 项目）
    
  
  
• 应用场景：
  
  
  
  • 自身免疫性疾病的遗传关联研究
    
  • 器官移植中的 HLA 配型优化
    
  
  

6. NetMHC 系列工具

• 输入：肽序列、MHC 等位基因（如 HLA-A*02:01）
  
• 输出：肽 - MHC 结合亲和力评分（% Rank）、结合等级（SB/WB）
  
• 训练数据：
  
  
  
  • 实验测定的肽 - MHC 结合数据（如 IEDB 数据库）
    
  
  
• 质谱洗脱的 MHC 配体数据（如 NetMHCpan-4.1 整合 18 万 + 数据）
  
• 应用场景：
  
• T 细胞表位预测与疫苗设计
  
  
  
  • 肿瘤新抗原筛选（如 NetMHCpanExp 结合抗原表达数据）
    
  
  

7. NetTepi

• 输入：蛋白质序列、HLA-A/B 等位基因
  
• 输出：HLA 限制的 T 细胞表位序列
  
• 训练数据：
  
  
  
  • 已知 HLA-A/B 限制性 T 细胞表位（如 IEDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • 病毒感染（如 HIV、流感）的 T 细胞表位预测
    
  • 个性化肿瘤疫苗设计
    
  
  

8. PickPocket

• 输入：MHC I 类分子结构（PDB 格式）、肽序列
  
• 输出：肽 - MHC 结合口袋匹配得分
  
• 训练数据：
  
  
  
  • MHC 结合口袋结构特征（如 PDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • 新抗原与 MHC 结合模式预测
    
  • 抗体 - 抗原复合物结构建模
    
  
  

三、肿瘤新抗原与免疫原性预测工具

9. ICERFIRE

• 输入：肿瘤突变数据、HLA 分型
  
• 输出：新表位免疫原性评分
  
• 训练数据：
  
  
  
  • 肿瘤新表位的免疫原性实验数据（如 TCGA 数据库）
    
  
  
• 应用场景：
  
  
  
  • 肿瘤新抗原的免疫原性评估
    
  • 个性化肿瘤疫苗设计
    
  
  

10. MuPeXI

• 输入：肿瘤测序数据（体细胞突变）、HLA 分型、基因表达数据（可选）
  
• 输出：肿瘤特异性新表位列表、优先级评分
  
• 训练数据：
  
  
  
  • 肿瘤新表位的 MHC 结合数据（如 NetMHCpan 预测结果）
    
  
  
• 应用场景：
  
• 肿瘤新抗原的综合筛选与优先级排序
  
  
  
  • 免疫治疗靶点发现
    
  
  

11. NetCTL

• 输入：蛋白质序列、HLA 等位基因
  
• 输出：CTL 表位预测（结合亲和力 + 蛋白酶体切割效率）
  
• 训练数据：
  
  
  
  • CTL 表位的实验数据（如 IEDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • 病毒感染（如 HBV、HPV）的 CTL 表位预测
    
  • 肿瘤免疫治疗靶点设计
    
  
  

四、免疫受体与疫苗设计工具

12. LYRA

• 输入：淋巴细胞受体序列（如 TCR、BCR）
  
• 输出：受体 3D 结构模型、CDR 区域定位
  
• 训练数据：
  
  
  
  • 已知结构的淋巴细胞受体（如 PDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • TCR/BCR 结构建模与功能分析
    
  • 抗体 - 抗原相互作用机制研究
    
  
  

13. NetTCR

• 输入：TCR 序列、肽 - MHC 复合物结构
  
• 输出：肽 - TCR 结合预测得分
  
• 训练数据：
  
  
  
  • 实验验证的 TCR - 肽 - MHC 结合数据（如 TCRdb 数据库
    
  
  
• 应用场景：
  
  
  
  • TCR-T 细胞疗法的靶点筛选
    
  • 抗原特异性 T 细胞识别机制研究
    
  
  

14. NetPolyEV

• 输入：多个抗原表位序列
  
• 输出：多表位疫苗设计方案（优化免疫原性）
  
• 训练数据：
  
  
  
  • 免疫原性相关特征（如 MHC 结合、蛋白酶体切割）
    
  
  
• 应用场景：
  
  
  
  • 多表位疫苗的理性设计
    
  • 病毒（如 COVID-19）的广谱疫苗开发
    
  
  

15. VDJSolver

• 输入：免疫球蛋白 VDJ 重组序列
  
• 输出：VDJ 重组分析结果（如克隆型分布、多样性评估）
  
• 训练数据：
  
  
  
  • 公开的免疫组库测序数据（如 VDJdb 数据库）
    
  
  
• 应用场景：
  
  
  
  • B 细胞受体多样性分析
    
  • 自身免疫性疾病的克隆型研究
    
  
  

五、其他工具

16. NetAllergen

• 输入：蛋白质序列
  
• 输出：过敏原性评分
  
• 训练数据：
  
  
  
  • 已知过敏原的序列特征（如 AllergenOnline 数据库）
    
  
  
• 应用场景：
  
  
  
  • 食品、药物的过敏原预测
    
  • 过敏反应机制研究
    
  
  

17. MAIT Match

• 输入：CDR3 序列
  
• 输出：与 MAIT 细胞受体的相似性评分
  
• 训练数据：
  
  
  
  • MAIT 细胞受体序列数据库（如 ImmuneACCESS）
    
  
  
• 应用场景：
  
  
  
  • MAIT 细胞相关疾病（如感染、癌症）的免疫监测
    
  • MAIT 细胞靶向治疗设计
    
  
  

18. PopCover

• 输入：MHC 等位基因、病原体序列
  
• 输出：MHC 表位的人群覆盖率与病原体覆盖率
  
• 训练数据：
  
  
  
  • 全球人群 MHC 等位基因频率（如 HLA Diversity 数据库）
    
  
  
• 应用场景：
  
  
  
  • 疫苗表位的全球人群覆盖优化
    
  • 病原体变异株的表位保守性分析
    
  
  

六、整合工具与资源

19. IEDB 分析资源

• 输入：蛋白质序列 / 结构、实验数据（如肽微阵列）
  
• 输出：综合表位预测结果（B/T 细胞表位、MHC 结合等）
  
• 训练数据：
  
  
  
  • 整合多个工具的预测模型（如 BepiPred、DiscoTope）
    
  
  
• 应用场景：
  
  
  
  • 多工具联合表位分析
    
  • 疫苗设计的一站式解决方案
    
  
  

20. TCRpMHCmodels

• 输入：TCR 序列、pMHC 复合物结构
  
• 输出：TCR-pMHC 复合物结构模型
  
• 训练数据：
  
  
  
  • 已知 TCR-pMHC 复合物结构（如 PDB 数据库）
    
  
  
• 应用场景：
  
  
  
  • TCR-pMHC 相互作用的结构建模
    
  • 抗体 - 抗原复合物的结构优化
    
  
  

关键总结

• 数据驱动：大部分工具依赖实验数据（如 PDB、IEDB）训练模型，结合物理化学特征或机器学习算法提升预测精度。
  
• 结构整合：基于 AlphaFold2 的工具（如 DiscoTope）显著提升构象表位预测能力，尤其适用于无实验结构的抗原。
  
• 多模态分析：整合序列、结构、免疫组库数据的工具（如 MuPeXI）成为肿瘤新抗原筛选的主流方法。
  
• 临床转化：工具设计趋向于直接支持疫苗开发（如 NetPolyEV）、免疫治疗（如 TCR-T）等应用场景。
  

建议根据具体需求选择工具：

• 结构未知抗原：优先使用 BepiPred（序列）+ DiscoTope（预测结构）的组合。
  
• 肿瘤新抗原筛选：MuPeXI（突变数据）+ NetMHCpan（MHC 结合）+ ICERFIRE（免疫原性）。
  
• 疫苗设计：NetPolyEV（多表位优化）+ PopCover（人群覆盖）。
  

大力水手

免疫组织化学技术按照标记物的种类可分为免疫荧光法、免疫酶法、免疫铁蛋白法、免疫金法及放射免疫自影法等。

用于病理诊断的主要有免疫荧光法和免疫酶法。免疫荧光法是现代生物学和医学中广泛应用的方法之一，包括荧光抗体和荧光抗原技术，具有抗原抗体反应的特异性，染色技术的快速性，在细胞或组织上定位的准确性，以及荧光效应的灵敏性等优势。但是，由于免疫荧光法必须具有荧光显微镜，荧光强度随时间的延长而逐渐消退，结果不易长期保存等缺点，在普及应用上受到一定限制，而逐渐被免疫酶法所取代。http://univ-bio.com