同一个免疫治疗方案，为何有人获益、有人有害？免疫检查点抑制剂、CAR-T(嵌合抗原受体 T 细胞) 疗法等手段已重塑多种血液系统恶性肿瘤及部分实体瘤的治疗格局，能实现传统疗法难以企及的持久缓解。但同一方案在不同患者身上效果天差地别 —— 根源在于免疫系统是由多种细胞群体与物理微环境之间高维且随机的相互作用所调控的复杂自适应系统，远超传统分析工具的理解能力。 2026 年 6 月 25 日，复旦大学附属中山医院高强/吴英成团队、复旦大学/上海人工智能实验室孙思琦团队与上海交通大学郑双佳团队、西湖大学郭天南团队、普林斯顿大学张载熙团队、浙江大学郭国骥团队、同济大学刘琦团队、华东师范大学叶海峰团队、上海人工智能实验室白磊团队等，于国际知名期刊 Cancer Cell (IF:56.1) 发表题为「OpenIO: An open framework for AI-native immunotherapy」的论文。该研究提出开源肿瘤免疫 (Open Immune Oncology, OpenIO) 框架，将生成式 AI 与组学技术深度融合，目标是将免疫治疗从经验性筛选转变为 AI 驱动的理性治疗设计。简言之，让 AI 不仅能「读懂」免疫系统，还能「设计」出更精准的治疗方案。 为什么要让 AI 介入免疫治疗？当前，免疫治疗领域主要依赖传统生物标志物预测疗效，但这些标志物基于线性相关性分析 —— 就像用直尺丈量弯曲的河流，根本无法捕捉免疫反应中的非线性依赖关系。海量测序数据已经积累，研究者却常常「读不懂」背后的机制，无法准确预判哪些患者会从免疫治疗中获益。研究团队的核心假设是：如果给 AI 足够多样、足够优质的免疫数据，它就能像学会一门语言一样掌握免疫系统的「语法」，实现从「读数据」到「预判与设计」的跨越。 给免疫系统编写一本「AI 词典」，提出生物学分词 就像教 AI 学中文，第一步是分词造句。要让 AI 处理生物学数据，先得解决「语言不通」的问题。OpenIO 提出了生物学分词 (Tokenization of Biology) 的概念：将单细胞的转录组状态视为一个「词元」，组织微环境视为「上下文窗口」，基因如字母，基因程序如短语，细胞如句子。与传统自然语言不同，这里的「词」兼具离散信息 (如细胞类型) 和连续信息 (如基因表达量、空间坐标)。 图 1. OpenIO 框架、架构及生态系统的概述 通过这种混合分词方式，团队用 Transformer 架构训练通用免疫学习器，能补全被掩盖的基因序列、从 RNA 预测蛋白丰度，甚至推断缺失的空间坐标。更关键的是，团队假设免疫系统存在缩放定律 (Scaling Law)：当训练数据的多样性足够高且质量足够好时，模型预测能力将实现质的飞跃 —— 涵盖从百万级细胞扩展到十亿甚至万亿级细胞的规模缩放、覆盖免疫受体库 (TCR/BCR) 中 10¹⁵种理论可能的多样性缩放，以及融合 DNA/RNA 序列、蛋白质三维结构与临床数据的模态缩放。 三块「数字基石」，构建免疫智能底座 三类基础模型，分别瞄准免疫系统的「语言」「靶点」和「战场」。 免疫语言模型将在数亿条免疫受体序列上训练，学习 V(D)J 重排和体细胞高频突变的统计规律，不仅能「读取」免疫组库，还能从头设计自然界中不存在的抗体序列。抗原呈递模型整合基因组、蛋白组与结构信息，实现从体细胞突变到 MHC(主要组织相容性复合体) 结合再到 T 细胞识别的全链条预测，比现有只模拟单一环节的工具更全面。微环境世界模型则采用多智能体强化学习，将每个细胞视为由自身基因调控网络驱动的智能体，学习肿瘤微环境空间动力学的统计生成规则，支持在计算机中模拟各种干预手段的效果。 从「大海捞针」到「按需设计」，生成式免疫治疗 AI 不再只做筛选，而是直接「设计」出所需的药物分子。 传统药物研发是从海量天然分子中碰运气找苗头化合物，OpenIO 的目标是用生成式 AI 直接「生成」所需分子。团队提出新指标 —— 生成产率 (Generative Yield)，即临床候选分子中通过计算设计而非生物筛选的比例，目前不到 1%。 框架可设计多种格式的抗体、执行布尔逻辑的 CAR-T 回路 (如「抗原 A 与 B 同时存在」才激活，大幅降低脱靶毒性)、偏好性结合的合成细胞因子及精准靶向的可编程递送载体。团队已开发「元生」(OriGene) 多智能体系统，能自主发现肝癌、结直肠癌的治疗靶点，验证了闭环路径的可行性。更值得期待的是 " 第二我 "(Second Me)—— 高保真数字免疫孪生体，在患者接受治疗前通过成千上万次虚拟临床试验预演方案效果。项目已规划三年路线图：2026 年上线开源基础模型与联邦学习节点，2027 年启动 AI 设计生物制剂的人体试验 (需通过临床前验证和监管审批)，2028 年实现 AI 自主提出假说并指挥实验的「自进化实验室」。 综上，OpenIO 的核心策略，是用 AI 的语言重写人类理解免疫系统的方式 —— 从分词建模、基础模型训练到生成式药物设计，形成闭环。项目承诺全面开源：公开非专利抗体序列、发布针对 EGFR 和 HER2 等高价值抗原的结合分子库、共享标准化实验流程，推动全球协作。从「读」免疫到「写」免疫的路并不轻松 ——AI 幻觉、多中心数据异质性、人群代表性偏差及药物研发、监管审批和临床验证都是必须跨越的关卡。但当 AI 学会免疫系统的运行逻辑，当数字孪生能预演治疗结局，便离「精准设计每一次免疫攻击」的时代，就近了一步。 注：文中插图源于 Cancer Cell 原文链接： https://doi.org/10.1016/j.ccell.2026.06.002 来源：复旦大学附属中山医院 文章来源：复旦大学校友会光华生命健康分会
