T细胞在免疫系统中承担重要功能，而T细胞受体（TCR）决定了其抗原识别能力，并影响下游免疫应答。然而，如何在单细胞水平上精准解析T细胞的功能状态、抗原特异性及克隆扩增模式，仍是当前研究的难点。随着单细胞RNA测序（scRNA-seq）与单细胞TCR测序（scTCR-seq）技术的发展，整合T细胞的转录组信息与TCR序列成为深入理解免疫系统的重要手段。然而，现有方法在跨组学数据整合、可解释性及适配性方面仍存在局限。
2025年4月4日，暨南大学基础医学与公共卫生学院罗钧洪教授团队在 Science Advances期刊上发表题为MIST: an interpretable and flexible deep learning framework for single-T cell transcriptome and receptor analysis的研究论文。该研究基于变分自编码器（Variational Autoencoder）深度学习框架开发了人工智能模型MIST（Multi-Insight for T cell），针对scRNA-seq与scTCR-seq数据的联合分析，创新性地构建了跨组学数据深度融合、可解释性和适配性强的分析框架。MIST通过独立的转录组、TCR序列和联合潜变量空间三层嵌入，精准解析了T细胞的功能状态、克隆扩增模式及抗原特异性，克服了现有方法在组学数据整合和生物学可解释性方面的局限，为深入解析免疫系统提供了强大工具。
MIST可通过Github免费获取：
https://github.com/aapupu/MIST。
图 MIST框架及主要功能
研究团队利用MIST对多种T细胞数据集进行了分析，并在肿瘤免疫领域取得重要发现。特别是在肺癌抗PD-1治疗相关研究中，MIST成功解析了CXCL13+CD8+ T细胞的异质性及其动态变化，揭示该亚群在免疫治疗应答中的关键作用。MIST不仅能精准表征T细胞功能表型，还能用于探索免疫治疗的潜在生物学机制，有望为基础免疫学研究和临床免疫治疗优化提供有力支持。
MIST的成功开发，为单细胞免疫组学研究提供了高效、灵活、可解释性强的计算工具和分析范式，为推动T细胞免疫学研究进入人工智能驱动的新阶段做出贡献。暨南大学基础医学与公共卫生学院罗钧洪教授为本文独立通讯作者，暨南大学附属第一医院博士后赖文普博士为论文唯一第一作者。
原文链接：
http://doi.org/10.1126/sciadv.adr7134
制版人： 十一
学术合作组织
（*排名不分先后）
战略合作伙伴
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
