免疫原性

免疫原性（Immunogenicity） 指某一物质（如蛋白质、多糖、核酸等）能够诱导机体产生特异性免疫应答（包括体液免疫和细胞免疫）的能力。它是疫苗开发、生物药物研发及移植医学中的核心概念，直接影响治疗效果和安全性。以下是对免疫原性的系统解析：

(1) 物质自身特性

• 分子大小：通常分子量 >10 kDa 的物质免疫原性较强（如蛋白质），小分子（如青霉素）多为半抗原，需结合载体蛋白才能引发免疫反应。
• 化学复杂性：
  • 结构复杂性：含芳香族氨基酸（如酪氨酸）的蛋白质免疫原性更高。
  • 异源性：与宿主成分差异越大，免疫原性越强（如细菌外毒素、异种血清蛋白）。
• 稳定性：不易被酶降解的物质更易被抗原提呈细胞（APC）捕获并呈递。
• 佐剂效应：某些物质（如铝盐、脂多糖）可增强免疫原性。

(2) 宿主因素

• 遗传背景：MHC（主要组织相容性复合体）多态性决定抗原呈递效率（如HLA-B27与强直性脊柱炎易感性相关）。
• 免疫状态：免疫缺陷或耐受状态（如孕期）可能降低免疫原性。

(3) 免疫途径

• 注射途径：皮下/皮内注射比静脉注射更易诱导免疫应答。
• 剂量与频率：过高剂量可能导致免疫耐受，重复暴露可能增强免疫记忆。

(1) 体外检测

• MHC结合实验：通过ELISA或荧光标记评估抗原肽与MHC分子的亲和力。
• T细胞激活试验：混合淋巴细胞反应（MLR）检测抗原特异性T细胞增殖。

(2) 体内检测

• 动物模型：小鼠、豚鼠等接种后检测抗体滴度（如ELISA）或T细胞应答（如IFN-γ ELISPOT）。
• 临床监测：生物药物治疗期间检测患者抗药抗体（ADA）水平。

(1) 疫苗设计

• 增强免疫原性策略：
  • 使用佐剂（如铝佐剂、MF59）。
  • 构建病毒样颗粒（VLP，如HPV疫苗）。
  • 表位优化（选择保守且高免疫原性区域）。

(2) 生物药物开发

• 降低免疫原性策略：
  • 人源化修饰：人源化抗体（如阿达木单抗）减少异源性。
  • 聚乙二醇化（PEGylation）：掩蔽蛋白表面抗原表位（如PEG-干扰素）。
  • 去免疫原性设计：通过计算工具预测并去除T细胞表位（如T细胞表位扫描软件EpiMatrix）。

(3) 临床问题

• 抗药抗体（ADA）：
  • 导致生物药物失效（如抗TNF-α抗体产生ADA后疗效下降）。
  • 引发过敏反应（如抗胰岛素抗体引起血糖波动）。
• 移植排斥：供体器官的MHC分子具有强免疫原性，需免疫抑制治疗。

• 人工智能预测：基于机器学习的工具（如NetMHC、DeepImmuno）预测候选抗原的免疫原性。
• 基因编辑：敲除细胞治疗产品（如CAR-T）中的免疫原性蛋白（如β2微球蛋白）。
• 纳米载体：通过纳米颗粒定向递送抗原至APC，增强疫苗效果（如mRNA-LNP新冠疫苗）。

• 分子模拟：病原体抗原与宿主蛋白相似（如链球菌M蛋白与心肌肌球蛋白），引发交叉免疫反应（风湿性心脏病）。
• 新抗原（Neoantigens）：肿瘤突变产生的异常蛋白，可作为个体化疫苗靶点。

免疫原性是免疫系统识别“非己”的核心机制，其平衡对疾病预防（疫苗）、治疗（生物药物）及安全（移植）至关重要。通过理性设计降低或增强免疫原性，已成为生物医学领域的关键技术挑战。未来随着计算生物学与基因编辑的进步，精准调控免疫原性将推动个性化医疗与新型疗法的突破。

• Janeway, C. A., Travers, P., Walport, M., & Shlomchik, M. J. (2001). Immunobiology: The Immune System in Health and Disease. 5th edition. New York: Garland Science.
• Pichichero, M. E. (2005). Improving vaccine delivery: the impact of adjuvants. Expert Review of Vaccines, 4(2), 235-248.
• Schellekens, H. (2002). Immunogenicity of therapeutic proteins: clinical implications and ways to reduce it. Clinical and Experimental Immunology, 129(3), 463-470.
• Olimpieri, P. P., & Marcatili, P. (2020). Computational methods for antibody engineering: recent advances and future perspectives. Frontiers in Immunology, 11, 579058.
• Henderson, J. D., & Epperson, C. N. (2019). Predicting immunogenicity of biotherapeutics: challenges and opportunities. AAPS Journal, 21(5), 91.
• Jensen, K. K., & Jensen, A. B. (2018). Machine learning in immunology: predicting immunogenicity. Current Opinion in Immunology, 55, 112-118.
• Cao, L., Liu, Y., & Yan, Q. (2021). Research progress on immunogenicity of biotherapeutics. Chinese Journal of Biotechnology, 37(8), 2653-2665.
• Wang, X., & Zhang, Y. (2020). Application of artificial intelligence in prediction of immunogenicity. Immunological Journal, 36(5), 432-438.