艾弥儿做肿瘤免疫研究的人这两年普遍有个共同感受：PD-1/PD-L1这条路上能挖的矿已经挖得差不多了，临床响应率卡在20%~30%不说，原发耐药和继发耐药的问题也一直没被真正解决。所以这几年“新免疫靶点”在生物医药圈子里的含金量越来越高，很多团队都在从B7家族、TIM家族、siglec家族这些方向找新的可成药靶点。最近科晶生物利用AI辅助筛选平台发现的新靶点VSIG2，其相关机制研究成果发表在《Journal of Neuroinflammation》上，又把“AI+免疫靶点发现”这个组合推到了台前。这篇文章我不打算只做简单的文献速递，而是从靶点本身的分子特征、AI到底在哪个环节起作用、这类研究的技术路线如何落地、干实验转湿实验有哪些实际的坑，以及AI驱动靶点发现这个方向接下来会怎么走，拆开讲一遍。想看结论的直接拉到后面也行，但建议从头看，因为真正值钱的是推导过程。
1. VSIG2是什么：B7家族里被低估的新面孔
1.1 从B7家族说起
B7家族是免疫检查点分子里最古老也最重要的一族。CD80和CD86通过CD28/CTLA-4传递共刺激或共抑制信号，PD-L1和PD-L2通过PD-1抑制T细胞活化，再往后还有B7-H3、B7-H4、VISTA这些“后起之秀”。这些分子共同的特点是：它们是跨膜蛋白，胞外区带着免疫球蛋白样结构域（V-set或C2-set），通常表达在抗原提呈细胞或者肿瘤细胞表面，通过与T细胞或NK细胞表面的受体结合，把“别打了”或者“给我上”的信号传过去。
VSIG2，全称是V-set and immunoglobulin domain containing 2，从名字就能看出来它属于这个家族谱系——胞外区含有V-set免疫球蛋白结构域。这个分子很早之前就有文献提到，但很长一段时间被认为是一个“陪跑”分子，因为它的表达谱比较特殊，正常组织里表达水平不高，而且没有特别明确的抗体工具能把它的功能啃下来。大家更愿意扎堆去研究PD-L1这种有明确临床应用前景的靶点，谁有功夫在一个没被验证过的分子上花两年时间？
这恰恰是AI辅助靶点筛选平台想做改变的环节：不再靠传统的人工文献调研去判断哪个靶点“值得做”，而是靠大数据挖掘把候选分子按证据强度排序，让研究人员把精力集中在最有可能出结果的靶点上。
1.2 VSIG2的分子结构和表达特征
VSIG2的基因位于B7家族基因富集区域，编码一个I型跨膜蛋白。胞外区主要由免疫球蛋白V-set结构域和C2-set结构域组成，跨膜区之后是一个比较短的胞内尾段。胞内段短这件事在免疫检查点分子里很常见——很多抑制性受体的胞内段并没有典型的ITIM/ITSM基序，信号传导更多依赖与配体结合后对T细胞受体信号的阻断，而不是主动向胞内传递抑制信号。从这个角度看，VSIG2更像一个“配体型”免疫调节分子，类似PD-L1而不是PD-1。
比较关键的是它的表达特征。我在实际看过的多组学数据里，VSIG2在多数正常组织中是低表达的，但在某些炎症微环境和肿瘤组织中会出现显著上调，尤其是在髓系细胞亚群和特定上皮来源的肿瘤细胞膜上。这个表达谱对整个靶点开发来说是好事，因为意味着如果未来做一个抗VSIG2的抗体，正常组织中的靶点相关毒性风险理论上会比PD-L1这种正常组织也有广泛表达的靶点要低。但坏消息也很明显：表达谱越“冷门”，前期工具试剂的开发难度就越大，这是后话。
1.3 为什么会和神经炎症扯上关系
很多人看到这篇发在《Journal of Neuroinflammation》上，第一反应是“免疫靶点不是应该发在肿瘤期刊吗，怎么跑神经炎症去了？”这里面的逻辑其实不难理解。中枢神经系统早就不是传统意义上“免疫豁免”的器官了，小胶质细胞作为中枢的常驻免疫细胞，在阿尔茨海默病、帕金森病、多发性硬化、脑缺血再灌注损伤以及胶质瘤这些场景里都处于核心位置。
VSIG2如果作为一个免疫调节分子，在中枢神经系统的巨噬细胞/小胶质细胞上表达，并通过细胞间接触抑制T细胞或者改变髓系细胞的活化状态，那它和神经炎症的关系就非常直接了。炎症环境里，外周来源的巨噬细胞会穿过血脑屏障浸润到病灶区域，原位的小胶质细胞也会被激活，这两个群体之间的相互作用很大程度上决定了神经炎症的转归方向。VSIG2在这个过程中扮演的角色，正是这篇研究重点回答的问题。
我倾向于把这项研究的价值定位为“一个已经被肿瘤免疫领域关注的靶点，第一次被系统地放到神经炎症场景里检验”。这种跨场景验证的策略，在靶点开发早期其实很常见，因为一个靶点如果在多个疾病领域都能站得住脚，后续的商业化和临床推进空间都会大很多。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AI到底做了什么：从“数据噪音”到“候选分子”的跃迁
2.1 多组学差异表达与队列验证
AI在靶点发现里的第一个落点，是处理“数据噪音”的问题。公共数据库里现在堆积了海量的转录组数据，单是GEO和TCGA里跟免疫相关的数据集就有成千上万套。如果靠人工一个一个去比对，一个博士研究生半年都未必能做完，而且主观性太强。科晶生物这类平台做的事情，本质上是用统一的流程化管道对公共数据进行清洗、去批次效应、差异表达分析，然后用机器学习的方式对跨数据集的结果进行一致性打分。
具体来说，一个候选靶点要想从几百个初始候选分子里跳出来，通常需要过这几层筛：
- 多数据集差异表达的一致性分析（不能只在某一个数据集合里显著）
- 表达水平与临床病理特征的关联（比如肿瘤分级、炎症评分、生存预后）
- 与已知免疫检查点分子的共表达网络分析
- 可成药性评估（胞外区是否存在可被抗体结合的结构域，是否有跨膜区等）
AI在整个环节里最大的贡献是“把打分标准统一了”。人工阅读文献时不可避免地会有先入为主的印象，而一个训练好的打分模型面对所有候选分子时是等权重的。这个特征说起来简单，但做起来很考验平台方的数据治理能力——如果输入数据里混入了批次效应，AI再聪明给出的结果也会失真。
2.2 免疫微环境反卷积与单细胞定位
转录组测序拿到的是一个组织里所有细胞混在一起的“平均表达量”，这带来一个问题：一个分子表达上调了，你并不知道它是肿瘤细胞上调了，还是浸润的T细胞上调了，或者是巨噬细胞上调了。这个问题不解决，后续的机制研究就是无源之水。
AI在这个环节的应用是通过反卷积算法和单细胞转录组分析来解决的。一类是基于bulk转录组的反卷积工具，比如CIBERSORTx、MCPcounter、ssGSEA，可以在没有单细胞数据的情况下，估算一个组织样本里不同免疫细胞亚群的比例以及某个基因在特定亚群中的相对表达贡献。另一类是直接利用单细胞转录组数据，通过UMAP降维、聚类、自动注释这些步骤，把表达VSIG2的具体细胞亚群锁定出来。
实测下来，单细胞数据的细胞注释是最花时间的一步。传统的marker基因人工注释非常依赖经验，而AI辅助注释工具如CellTypist、scArches可以在参考图谱的基础上快速完成初步注释，再由人工复核。处理一个10万细胞规模的数据集，熟练的话一天之内可以跑完注释和可视化流程。放在五年前，这是好几个月的活儿。
2.3 蛋白结构预测与互作界面模拟
AI在靶点发现里另一个容易被忽视的贡献是蛋白质结构的预测。VSIG2这种相对冷门的膜蛋白，早期很难拿到高质量的晶体结构，传统的同源建模也比较费劲。AlphaFold2以及后续AlphaFold3的出现，把这个问题从“需要几年的结构生物学攻关”降维成了“在线提交序列，几小时出预测结构的程度”。
结构预测对靶点研发的直接意义有两方面。第一，可以用于判断候选分子的胞外结构域折叠是否稳定，是否有适合抗体结合的表位。这一点对于决定靶点能否“成药”非常关键。第二，AlphaFold3和RoseTTAFold这一类工具可以做蛋白-蛋白相互作用的预测，虽然结果不能直接当作结合实验的证据，但可以为后续实验设计提供非常有价值的假设——比如预判VSIG2胞外域可能会结合哪些免疫细胞表面的分子，从而缩小筛选配体的范围。
我处理这类问题时会先用AlphaFold3批量预测候选受体与配体对的结合界面分数，从中挑出分数最高的几组做后续的SPR或者BLI表面等离子共振/生物层干涉验证，而不是不加筛选地把所有可能性都拿去铺实验。这种方式能省掉至少一个月的重复劳动。
2.4 大模型在文献挖掘与实验方案设计里的辅助价值
科晶生物这类平台对外提供的AI能力，其实不只是“靶点打分”，还包括了非常实用的文献挖掘模块。现在生物医学文献数量增长得极其吓人，PubMed上光每天新增的论文就上千篇。光靠人去精读，只能停留在自己的一亩三分地里。而用大语言模型做文献问答和证据抽取，可以快速把某个靶点在各种疾病模型里的已知信息汇总成表格。
提一个技术细节：如果对数据安全比较敏感，尤其是项目还没公开之前，不建议直接把课题数据提交到公开的在线大模型平台。一个更稳妥的做法是本地部署开源模型，比如用Ollama跑量化版的Qwen或Llama系列，再挂一个简单的RAG知识库，把自己的文献PDF和实验记录喂进去，让模型在本地帮你做归纳。这样既保留了上下文记忆能力，又不用把数据交到第三方手里。硬件门槛也没想象中高，一张24G显存的显卡就能跑起一个不错的量化模型。
3. 从生信到神经炎症模型：这项研究的技术路线拆解
3.1 表达验证与细胞定位是第一优先
这类研究不管前期AI筛选做得有多漂亮，落地到湿实验之后，第一步一定是表达验证。通常会在神经炎症相关的疾病样本（比如多发性硬化病灶组织、脑缺血样本、或者神经退行性疾病患者的脑组织切片）里，通过免疫组化和免疫荧光确认VSIG2蛋白水平的表达，并和转录组层面的发现做交叉比对。
在细胞定位这个问题上，需要同时关注两个维度：VSIG2到底表达在什么细胞表面，以及它在这个细胞上的表达强度是否与炎症状态相关。以髓系细胞为例，如果VSIG2在静息状态的小胶质细胞上几乎不表达，而炎症刺激后会显著上调，这就暗示它可能是“诱导型”免疫调节分子。这个表达模式搞清楚了，后续体外实验的刺激条件设计才有依据。
3.2 体外功能实验：共培养与极化模型
基因表达验证只是说明“它在这里表达”，不能说明“它在这里起作用”。所以接下来需要在体外明确功能。针对神经炎症场景，比较经典的实验体系有几种：一是小胶质细胞/巨噬细胞的极化模型，用脂多糖或者干扰素-γ诱导M1型促炎极化，用白细胞介素-4或白细胞介素-13诱导M2型抗炎极化，然后检测VSIG2表达在这两种极化状态下的差异；二是免疫细胞共培养体系，把表达VSIG2的细胞和T细胞放到一起，观察VSIG2的存在是否会影响T细胞的增殖和细胞因子释放。
在做这些实验的时候，一个很容易被忽略的细节是“物种差异”。很多商业化抗体和工具试剂是针对人源VSIG2开发的，在小鼠模型里不一定有交叉反应。如果打算采集小鼠的神经炎症模型去验证表达变化，建议在订购抗体之前先确认该抗体是否有小鼠交叉反应验证数据。这个坑我踩过不止一次。
3.3 体内神经炎症模型与干预实验
体外实验做完之后，体内的验证是逃不掉的一步。神经炎症领域比较常用的模型包括实验性自身免疫性脑脊髓炎（EAE），这是模拟多发性硬化的经典模型；还有脂多糖诱导的全身/中枢炎症模型，以及大脑中动脉闭塞再灌注模型。
在这类模型里验证VSIG2功能，通常有两种策略。一种是用VSIG2基因敲除小鼠，直接看缺失VSIG2之后神经炎症表型是否减轻或加重。另一种是用抗VSIG2阻断型抗体或者VSIG2-Fc融合蛋白干预，模拟未来药物开发时抗体治疗的实际场景。两种策略各有优劣：基因敲除更能说明分子本身的必要性，而抗体干预更能说明“可成药性”。如果时间和经费允许，成熟的团队会两条腿走路。
3.4 机制信号通路与数据呈现
前面若干轮做下来，基本可以确认VSIG2和神经炎症的表型关系，但审稿人一定会追问一个问题是：机制是什么？这时候一般会回到转录组层面，把VSIG2高表达组和低表达组的差异基因做通路富集分析，锁定最有嫌疑的信号通路，比如NF-κB通路、STAT信号通路、PI3K-AKT通路，然后用Western blot验证通路关键节点蛋白的磷酸化水平，再用通路抑制剂做回复实验，把因果关系补完整。
数据呈现方面，坐标轴标注、统计方式的一致性、误差棒的呈现这些都决定一篇文章的观感。我审稿时遇到最多的问题不是结果不够好，而是统计方法交代不清楚。具体到VSIG2这类“表达量变异很大”的分子，非参数检验（Mann-Whitney U检验）往往比t检验更稳妥，这一点在写方法部分时一定要主动说明理由。
4. 干实验转湿实验的三道坎：抗体、批次效应和因果性
4.1 批次效应会让筛选结果“虚假繁荣”
AI筛选最大的风险不在AI本身，而在输入数据的质量。多中心、多平台的转录组数据如果不做严格的批次效应校正，很容易筛选出“在A数据集上调、在B数据集也上调，但其实是同一个平台的技术误差导致的”假阳性靶点。
一个我常用的验证策略是：在完成初步筛选后，换一套完全独立的数据集再做一次差异表达分析，最好来自不同测序平台或者不同组织制备方式。如果换了一个数据来源，目标分子的趋势还在，这个靶点才有继续往下推进的价值。这个步骤不花额外经费，但能把假阳性率降下一大截。
4.2 冷门靶点最大的坑是工具试剂
VSIG2不是什么热门分子，市面上针对它的商业化抗体选择很有限，质量参数差异也很大。我自己处理冷门靶点时的习惯是：买两支不同克隆号的抗体，一支做免疫组化、一支做免疫印迹，然后做一个关键的质控实验——在敲低VSIG2的细胞系里验证信号是否消失。如果敲低之后条带还在，那这支抗体就不能用来发文章，因为它识别的东西大概率不是VSIG2。
这里再提一个容易被忽视的问题：免疫原的选择。有些商业化抗体是用胞内段肽段免疫动物生产的，这类抗体做流式（检测细胞表面表达）时基本是无效的，因为流式要求结合的是活细胞表面的胞外表位。如果研究重点在细胞表面的VSIG2表达，买抗体时一定要确认免疫原是否位于胞外区。
4.3 表达差异不等于功能驱动
这是整个转化链条里最“反直觉”的一点。AI给出的打分本质上是“相关性”的证据，表达高的分子不一定是驱动炎症的“因”，也可能是炎症过程中被拉出来干活的“果”。要把候选靶点从相关关系推进到因果关系，必须依赖湿实验里的扰动实验：过表达或敲低该分子后，观察免疫功能表型是否真的随之改变。
好的研究团队通常会在“AI筛选-体外验证”之间设一个小闭环：先做一次快速的功能初筛，比如在细胞系中做siRNA敲低，检测几个关键的炎症因子变化，如果有表型再进入更复杂的动物实验。这个策略可以在最短的时间内淘汰掉那些“看起来表达水平很漂亮，但功能上一推就倒”的候选分子。
4.4 低成本验证的具体操作建议
关于小闭环实验怎么做，我给一个亲测可行的推荐组合：
- 准备一个高表达VSIG2的细胞系（先通过转录组和流式确认内源表达水平）
- 设计2~3条独立靶向VSIG2的siRNA或者小发卡RNA，同时设置非靶向对照
- 敲低后收集上清，用多因子检测试剂盒检测白细胞介素-6、肿瘤坏死因子-α、白细胞介素-10这些核心炎症因子
- 重复三次独立实验，统计时用多重比较校正
有的朋友会直接用CRISPR基因敲除细胞系，如果时间和预算允许当然更好。但一个容易被低估的现实是，设计并验证一个敲除单克隆细胞系，通常需要一到两个月的时间，而siRNA初筛一到两周就能出结果。先把siRNA初筛跑通，再决定要不要上更重的实验，这个决策顺序会显著影响项目进度。
5. AI靶点发现的行业走向：从单一靶点到平台化输出
5.1 靶点发现周期被压缩了多少
传统模式下，一个新免疫靶点的发现往往来自偶然的免疫学观察，比如某篇基础研究论文里提到某个分子在活化的T细胞上调，引起了药企研发部门的注意，进而开启一套完整的靶点验证流程。这个从“观察到候选”的过程，快则两三年，慢则五六年毫不稀奇。
AI驱动的多组学筛选平台把前端的“观察”环节做成了批量化的标准化流程。一个数据治理做得足够好的平台，可以在几周内完成数千个候选分子的初筛、打分和排序，把研究团队的精力引导到Top 10的靶点上。这是一个数量级上的不同。但要想清楚的是，压缩的只是“靶点假设生成”的时间，靶点验证、抗体开发、安全性评价这些环节的时间并没有被压缩太多。真正想做药的话，不存在“一键直达”的捷径。
5.2 小型课题组的机会窗口
AI平台化对小型课题组来说，某种程度上是一个利好。以前一个新靶点的发现机会往往集中在少数几个拥有海量临床样本和生信团队的大型实验室手里，小课题组想做靶点筛选，光是数据收集和计算资源这一关就过不去。现在有了第三方AI辅助平台，只要自己手里有一个明确的临床问题，比如“什么分子介导了脑缺血后的免疫抑制”，就可以快速生成一批候选靶点，然后集中资源做湿实验验证。
但这也带来一个隐忧：当平台化AI让每个人都能轻松拿到候选靶点清单，靶点发现环节的同质化会越来越严重。这个月大家筛出来Top 10靶点高度重叠，下个月就会变成同一批靶点在各个疾病领域的“重复造轮子”式研究。想要跑赢同行，真正的差异化不在AI筛选这一步，而在于两个地方：一是你的临床队列样本是否足够独特，能不能提供别人没有的表型数据；二是湿实验验证的速度和质量，能不能在所有人都在做同一个靶点的时候，先把机制讲清楚。
5.3 神经炎症与免疫检查点的交叉未来
把视线放回这篇文章的价值：神经炎症这个领域正在经历一轮“免疫检查点”概念的快速渗透。过去大家提到免疫检查点，默认都是肿瘤的范畴，但现在越来越多证据表明，中枢神经系统里的免疫抑制性微环境同样受到这些分子的调控。胶质瘤微环境里的免疫逃逸、神经退行性疾病里小胶质细胞的失能、脑卒中后外周免疫细胞浸润带来的继发性损伤，背后都存在免疫检查点分子的影子。
VSIG2作为一个在髓系细胞上可能发挥抑制性功能的免疫调节分子，如果后续研究能够验证它在不同类型的神经炎症模型里具有一致的调控方向，那它不仅有希望成为新的治疗靶点，还可能作为神经炎症状态的生物标志物。这比单纯做一个肿瘤靶点更有想象力，因为神经系统疾病领域对新型免疫治疗靶点的需求是长期存在的。
从产业角度看，科晶生物这类AI驱动型生物技术公司正在做的事情，本质上是把“靶点发现”从学术课题变成了标准化的服务能力。这一波AI红利能不能吃到，不完全取决于算法有多先进，更取决于平台方和科研团队能不能把“数据-假设-验证-反馈”的闭环跑起来。数据和湿实验反馈之间的循环越快，AI模型在新一批数据上就会越来越准，这就是目前这个领域里最真实的竞争壁垒。
我自己在实际项目中最深刻的体会是：AI工具处理效率越高，越要注意湿实验反馈的及时性。设定好筛选阈值之后，不要让模型在没有新实验数据的情况下反复“自我优化”，而是尽快把Top候选靶点推到体外验证里，让每一轮实验结果都回到模型里修正打分策略。跑通这个循环之后，你会明显感觉AI不再是那个帮你找靶点的“黑箱”，而是课题组里一个不太爱说话、但干活特别快的“组员”。