치료용 단백질·백신의 T 세포 면역원성 예측 및 항체 리스크 평가 연구

T cell immunogenicity prediction and therapeutic antibody risk assessment

연구 내용

다중도메인 딥러닝으로 MHC 제시와 결합 정보를 통합해 T 세포 활성 및 면역원성을 예측하고 치료용 단백질 안전성을 평가하는 연구

치료용 단백질과 백신 항원이 유발할 수 있는 T 세포 반응을 예측하기 위해, 항원-면역계 상호작용을 구성 요소 수준에서 통합 모델링하는 연구를 수행합니다. MHC presentation, peptide-MHC binding affinity, T cell receptor-pMHC interaction, source organism 정보, T cell activation 등을 다중 입력으로 활용하는 예측 엔진을 구성하며, 데이터의 공통 표현을 학습하기 위해 사전학습과 도메인 적응 기반의 통합 전략을 적용합니다. 또한 MHC 입력 없이도 항idrug antibody 유도 가능성을 예측하는 방향으로 확장하여, 치료용 항체 개발 단계에서 면역원성 리스크 평가를 지원합니다. 이러한 결과를 장치 및 방법 형태의 면역원성 예측 기술로도 정리합니다.

관련 프로젝트

2건

연구 흐름

면역원성 예측의 핵심 난제로서 데이터 부족과 도메인 간 편향을 고려하여, 다중도메인 학습을 통해 서로 다른 면역 관련 신호를 통합하는 방향으로 연구를 설계했습니다. 2025년에는 누수 제어 기준의 벤치마크를 포함해 T 세포 활성과 항idrug antibody 유도 가능성을 함께 평가하는 모델을 제안했습니다. 이후 특허로는 MHC 로딩 효능 예측, MHC 결합 가능성 예측, 통합 인코더와 적대적 학습을 결합한 면역원성 예측 장치를 정리하여 기술 이전 기반을 마련했습니다. 병행하여 치료용 항체 설계 관점의 AI 발전 동향을 정리해 응용 범위를 정의했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

치료용 단백질 면역원성 리스크 스크리닝
T 세포 활성 예측
MHC 로딩 효능 기반 평가
peptide-MHC 결합 가능성 추정
항idrug antibody 유도 가능성 예측
백신 항원 에피토프 최적화
교차-도메인 학습 파이프라인
안전성 중심 후보 우선순위화
개인화 면역반응 위험 평가
규제·문서화용 예측 근거 정리