T細胞受容体（TCR）が主要組織適合遺伝子複合体（MHC）分子に提示されたペプチドに結合することは、T細胞活性化の重要な段階であり、獲得免疫の基盤を成す。したがって、特異性の予測は効果的なTCRベースの免疫療法やワクチン開発に不可欠である。臨床的な重要性にもかかわらず、これまでに見たことのないペプチドに対するTCR-pMHC特異性の予測は未解決の課題であり、この設定で予測力を示す戦略は構造モデリングのみである。
本研究では、この限定された性能が、これらの手法の訓練および評価に用いられるデータにおけるラベルノイズによって大きく駆動されていることを見いだす。この影響はこれまで十分に検討されていない。TCR-pMHC構造モデリングのために適応したAlphaFold3ベースのパイプラインを用いることで、特異性予測の最先端性能を達成し、AlphaFold2.3ベースおよび配列ベースの手法を上回り、主要なImmrep2025競技の上位提出と同等の性能を示す。このパイプラインとクラスターに基づく非ノイズ化アルゴリズムを組み合わせることで、大規模な特異性データセットから誤ってラベル付けされた点を除去すると、全データセットに対してバインダー順位付け精度が70％以上向上することを示す。これらの結果は、この分野のいかなる手法でも到達可能な性能を制限する主要因としてラベルノイズが大きいことを強調し、構造モデリングとラベル非ノイズ化を組み合わせることでTCR-pMHC特異性予測が大幅に改善されることを示す。したがって、この種のアプローチは、TCR標的選択を洗練するうえで、現在の配列ベース手法に対する魅力的な補完となり得る。
https://doi.org/10.64898/2026.08.25.746957