Cancer Cell：復旦大學高強/吳英成團隊領銜，推出開源腫瘤免疫（OpenIO）路線圖，目標直指AI原生免疫治療

撰文丨王聰

編輯丨王多魚

排版丨水成文

免疫檢查點抑制劑、CAR-T 細胞療法等癌癥免疫治療，已實現傳統化療或靶向藥物難以達到的持久緩解，重塑了多種血液系統惡性腫瘤及部分實體瘤的治療格局。然而，一個尷尬的事實是——同樣的免疫治療，對一個患者有效，對另一個患者可能完全沒用，還可能帶來嚴重的副作用。

這一挑戰源于免疫系統本身作為復雜自適應系統的特性，其由多種細胞群體與物理微環境之間高維且隨機的相互作用所調控。因此，依賴線性相關性的傳統生物標志物往往無法捕捉免疫反應的非線性依賴背景。這導致我們雖然已積累了海量的測序數據，卻常常讀不懂這背后的機制。

要克服這些局限性，必須從描述性和回顧性分析轉向預測性和機制性建模。盡管免疫學依賴于假設驅動的低通量實驗，而人工智能（AI）卻有望解析高維模式和潛在邏輯。諸如 scGPT 和 Evo 等模型已證明，通過從現有數據中學習，能夠實現對未知生物領域的外，構建預測性虛擬細胞（Virtual Cell）也已成為下一代計算生物學的關鍵前沿。

近日，復旦大學附屬中山醫院高強教授、上海交通大學溥淵未來技術學院/臨港實驗室鄭雙佳研究員、復旦大學附屬中山醫院/斯坦福大學吳英成博士、西湖大學郭天南教授、復旦大學/上海人工智能實驗室孫思琦研究員、普林斯頓大學張載熙博士、浙江大學/良渚實驗室郭國驥教授、同濟大學劉琦教授、華東師范大學葉海峰教授、上海人工智能實驗室白磊研究員、字節跳動 Seed鄭在翔博士等，在Cancer Cell發表了題為：OpenIO: An open framework for AI-native immunotherapy 的文章，提出了開源腫瘤免疫（Open Immune Oncology，OpenIO），這是一個融合生成式人工智能與組學技術以推動精準腫瘤學發展的框架。通過利用生物學的縮放定律和基礎模型，目標是將免疫治療從經驗性篩選轉變為基于 AI 的理性化治療干預設計。簡單來說，就是讓 AI 不僅能夠“讀懂”免疫系統，還能“設計”出更精準的癌癥免疫治療方案。

給生物學“分詞”：AI 理解免疫的第一步

要讓 AI 處理生物學數據，首先得解決“語言不通”的問題。

OpenIO提出了“生物學分詞”（Tokenization of Biology）的概念：把單個細胞的轉錄組狀態看作一個“詞元”（Token），把組織微環境看作一段“上下文窗口”，基因就像字母，基因程序像短語，而細胞就像句子。

和傳統自然語言處理不同，這里的“詞”既有離散信息（比如細胞類型），也有連續信息（比如基因表達量、空間坐標）。通過這種混合分詞方式，就能用 Transformer 架構訓練通用免疫學習器——它可以補全被掩蓋的基因序列，從 RNA 預測蛋白豐度，甚至推斷出缺失的空間坐標。本質上，這是給 AI 一本“免疫詞典”，讓它學會免疫系統的“語法”。

免疫學也有“Scaling Law”？數據越多，智能越強

大模型領域有個著名現象——模型性能隨參數規模和訓練數據量的增加而提升，即“縮放定律”（Scaling Law）。OpenIO團隊大膽假設：免疫系統也存在類似的縮放定律——當用于訓練的“細胞 Token”多樣性足夠高、質量足夠好時，模型的預測能力會實現質的飛躍。

當然，生物學數據和文本數據有本質區別：它更嘈雜、隨機性更強，而且不同醫院的檢測標準不統一，容易引入“批次效應”。所以 OpenIO 特別強調數據質量、多樣性和多模態對齊——

• 規模縮放：從百萬級細胞擴展到十億甚至萬億級細胞，覆蓋不同組織、疾病狀態和干預手段，模型有望學會細胞身份識別、調控回路解析，甚至擾動響應預測。

• 多樣性縮放：免疫受體庫（TCR/BCR）的理論可能性高達 101? 種，極度稀疏。但團隊認為，隨著覆蓋的序列空間增加，模型會從“死記硬背”轉向“抽象推理”，真正掌握抗原結合的物理規則。

• 模態縮放：把 DNA/RNA 序列、蛋白質三維結構、臨床縱向數據對齊融合，打破單組學模型的瓶頸。比如，僅憑批量基因表達數據，就能預測腫瘤的空間組織結構，判斷它是“冷腫瘤”（免疫排斥）還是“熱腫瘤”（免疫浸潤）。

三大基礎模型：構建免疫系統的“數字底座”

基于上述思路，OpenIO計劃打造三類核心基礎模型，構成免疫智能的基石——

1、免疫語言模型

類似 IgLM 這樣的模型，將在數億條免疫受體序列上訓練，學習 V(D)J 重排和體細胞高頻突變的統計規律。未來不僅能“讀取”免疫組庫，還能“書寫”——從頭設計自然界不存在的抗體序列。

2、抗原呈遞模型

靶點找不準，武器再好也沒用。這類模型將整合基因組、蛋白組、結構信息，從體細胞突變到 MHC 結合再到 T 細胞識別，全鏈條預測抗原呈遞概率和免疫原性。相比現有工具只模擬單一環節，它能給出更全面的評估。

3、微環境世界模型

腫瘤微環境是免疫細胞作戰的“戰場”。OpenIO 提出用多智能體強化學習構建“微環境世界模型”：每個細胞都是一個智能體，其決策由自身基因調控網絡驅動。模型不需要完美復刻生物學細節，而是學習空間動力學的統計生成規則，支持在計算機中模擬各種干預手段的效果。

OpenIO 框架、架構及生態系統的概述

生成式免疫治療：從“大海撈針”到“按需設計”

傳統藥物研發大多是“篩選”：從海量天然分子里碰運氣找苗頭化合物。OpenIO 的目標是“生成”：用 AI 直接設計所需的治療分子。

為了衡量進展，OpenIO 團隊提出了一個新指標：生成產率（Generative Yield）——臨床候選分子中，通過計算設計而非生物篩選的比例。目前這個數值不到 1%，而 OpenIO 希望把它變成行業新標桿。

具體能設計什么？

抗體：覆蓋單鏈抗體、納米抗體、復雜融合蛋白等多種格式，同時優化結合力、溶解度、穩定性和低免疫原性。

CAR-T：針對實體瘤“脫靶毒性”難題，設計能執行布爾邏輯的 CAR 回路——比如“抗原 A 存在且抗原 B 存在”時才激活，大幅降低誤傷正常組織的風險。

合成細胞因子：IL-2、IL-12 這些細胞因子的抗腫瘤效果強，但毒性太大。AI 可以設計出“偏好性結合”的超級細胞因子，只激活腫瘤部位的免疫反應，避開全身毒性；或者設計成僅在腫瘤微環境的酸性 pH 下才激活的“智能因子”。

可編程遞送載體：用生成式方法設計自組裝蛋白納米顆粒、病毒載體，精準靶向淋巴器官或腫瘤核心，繞過肝臟代謝，減少系統性副作用。

更重要的是，OpenIO 強調“閉環驗證”：AI 設計完分子，自動指令機器人濕實驗室合成、測試，再把結果反饋回模型迭代優化。該團隊已經開發了“元生”（OriGene）多智能體系統，能夠自主發現肝癌、結直腸癌的治療靶點，證明了這條路徑的可行性。

“第二我”：你的數字免疫孿生

如果醫生手里有一個你的“數字分身”，能在計算機里預演各種治療方案的效果，那該多好？

OpenIO的最終目標之一，就是構建“第二我”（Second Me）——高保真的數字免疫孿生體，這不是靜態快照，而是動態可運行的仿真環境。

在患者接受臨床試驗或昂貴治療前，他們的數字孿生可以經歷成千上萬次“虛擬臨床試驗”：微調免疫參數，模擬不同治療下的腫瘤縮小情況、T 細胞耗竭風險、細胞因子風暴概率。這不僅能幫醫生選方案，還能在新試驗啟動前，就篩選出最可能獲益的患者群體，優化試驗設計。

開源開放：不做技術孤島

為了避免“重復造輪子”，也為了加速全球協作，OpenIO承諾全面開源——

• 公開非專利的抗體序列，作為通用實驗對照；

• 發布針對 EGFR、HER2 等高價值腫瘤抗原的結合分子庫，支持抗體偶聯藥物、雙特異性抗體等新藥研發；

• 共享診斷抗體序列和標準化實驗流程，讓全球不同隊列的數據可比、結果可重復。

該項目已經規劃了清晰的三年路線圖：

2026 年（第一階段）：建立 ImmunoBank 標準流程，上線首批聯邦學習節點，開源免疫基礎模型和免疫動力學世界模型，建立公開評測基準。

2027 年（第二階段）：發布 AI 設計的生物制劑，并在一種癌癥（例如肝細胞癌）中開展首次完全由 AI 設計的生物制劑人體試驗（需通過臨床前驗證和監管審批）。

2028年（第三階段）：實現“自進化實驗室”——AI 智能體自主提出假說、設計 CAR-T/TCR-T 結構、指揮機器人完成實驗；在部分臨床試驗中，為患者同步提供數字孿生模擬報告，輔助治療決策；推動新型候選免疫療法的計算設計/優化成為行業常態。

從“讀”免疫到“寫”免疫

OpenIO的愿景，是把癌癥免疫治療從一門“經驗性學科”，轉變為“理性工程學”。但這條路并不輕松：需要解決 AI 幻覺問題（區分真實發現和計算虛構）、統一多中心數據的異質性、克服人群代表性偏差（例如特定族裔、性別免疫差異），更要跨越藥物研發、監管審批和臨床驗證的重重關卡。

文中提出的這些時間表是“愿景目標”而非確定性預言。但方向已經明確：當 AI 學會了免疫系統的運行邏輯，當數字孿生能預演治療結局，當開源社區共同迭代算法和試劑，我們離“精準設計每一次免疫攻擊”的時代，就更近了一步。

從閱讀免疫組庫的復雜密碼，到書寫下一代精準生物制劑的代碼——這就是 OpenIO 想做的事。而這一切的起點，是一個開放框架，和全球科學家的共同參與。

https://www.cell.com/cancer-cell/abstract/S1535-6108(26)00289-8