2026年7月27日——克利夫兰诊所（Cleveland Clinic）与IBM的研究人员正利用量子计算来攻克免疫肿瘤学中最具挑战性的问题之一：预测哪些肿瘤突变会引发免疫反应。

他们的框架——量子卷积HLA免疫原性肽预测模型（Q-CHIPP）——将抗原呈递与免疫治疗反应的预测整合到一个统一框架中。根据发表在《科学进展》上的研究结果，在数据有限的条件下，该模型的准确率超越了经典计算方法。

为什么新抗原如此重要？

当癌细胞DNA发生突变时，其表面会产生异常蛋白质，这些蛋白质被称为新抗原。新抗原向免疫系统发出信号，表明该细胞对人体来说是异己或有害的。免疫疗法的一个关键部分，就是教会身体识别并攻击新抗原。

挑战在于，一个肿瘤中可能存在数千种潜在新抗原，但只有极少数会被免疫系统识别。同时，人们现已清楚地认识到，这些被有效识别（即具有免疫原性）的新抗原是机体对免疫疗法产生反应的主要驱动力。

为了开发癌症疫苗和其他治疗方法，研究人员需要了解哪些新抗原会激活免疫系统来攻击癌细胞。克利夫兰诊所的研究人员近期发布了一份包含196种候选新抗原的图谱，这些抗原很可能触发免疫反应，目的是进一步增强新抗原预测机器学习模型的能力。

然而，机器学习模型需要大量数据集来学习复杂模式并表现出较高的预测准确性，而这份196种候选新抗原的图谱仍被认为是一个小数据集，这可能会导致模型过拟合、性能不佳，并限制其有效泛化的能力。

量子计算如何助力癌症研究？

为了克服当前计算方法的局限性，研究团队开发了一种量子卷积神经网络方法，能够从小数据集中学习有意义的生物学模式。通过结合IBM的计算专长与克利夫兰诊所的生物医学知识，该团队创建了一个首创的模型，该模型能够从仅有150个样本的训练集中进行学习。

资深作者、博士Tyler Alban表示：“这个模型的创建是团队科学的典范。这是一个多学科团队，汇集了癌症、计算科学和量子计算领域的专家，大家坐在一起，互相教学，互相学习。没有团队合作，我们不可能取得这样的成就。”

在类似的约束条件和参数限制下进行评估时，他们开发的模型性能优于传统计算方法。该团队还实现了一个重要的技术里程碑：在量子硬件上使用46个量子比特，将他们所研究的方法扩展到了全长肽建模。

该团队计划继续优化这一模型，以实现更准确地识别治疗靶点，从而可能加速个性化癌症免疫疗法和下一代疫苗的开发进程。

本文共同通讯作者、IBM Research高级研究科学家Sara Capponi表示：“这种合作方式充分体现了克利夫兰诊所和IBM如何在免疫学以及更广泛的医疗领域中开创量子计算的应用。只有汇集了如此广泛专业知识的团队，才能将免疫系统的特征转化为量子电路，确保底层数学逻辑准确捕捉生物学原理，并基于真实世界患者数据对结果进行验证。”