基于AIAIBDA免疫大数据的人工智能
肿瘤早期筛查

中国癌症发病率高

根据世界卫生组织癌症研究机构（IARC）发布的《2020年世界癌症报告》，2020年中国新发癌症457万例，死亡300万例，分别占全球新发与死亡病例的23.7%和30.2%，位居全球第一，且近十年来癌症发病率和死亡率均呈持续上升趋势。

图1. 2020年中国癌症新发人数占比

图2. 2020年中国癌症死亡人数占比

中国癌症早诊断率低

根据世界卫生组织数据，1/3的癌症可以通过早期诊断而得到治疗。肿瘤早期体积小，未发生转移，较容易切除，早期癌症的治愈率可高达90%。然而，中国目前新发癌症患者80%以上属于中晚期，所有癌症的五年生存率仅为40.5%，远低于美国的67.1%。

图3. 中国癌症早期发现率和5年生存率

图4. 中国癌症中晚期发现率和5年生存期

经过多年的不懈努力，我们开展了数十项覆盖健康人群、15种实体肿瘤患者群体、5种血液肿瘤患者群体、8种神经退行性疾病患者群体的大队列临床试验，采集了超过1万份临床数据样本，获得数十亿条TCR/BCR序列信息，积累了海量的病例和免疫组库数据。通过生物信息学和机器学习算法分析，特别是在多模态大语言模型(Multimodal Large Language Model, MLLM)的加持下，我们对免疫特征-癌症关系的分析已取得丰硕的成果，成功研发基于人工智能的免疫大数据分析平台AIAIBDA^TM，并以此为技术底座，训练了多种癌症的早筛模型，支撑着公司多个免疫特征-癌症预测应用的落地。

图5. AIAIBDA平台架构图

技术背景

在自然语言处理(NLP)领域，自谷歌2018年开源其基于Transformer架构的预训练语言模型BERT之后，大语言模型迅速登上历史舞台，百花齐放、异彩纷呈，极大推进了NLP的发展进程。这类模型利用注意力机制，具有自监督和可并行运算的特点，无需大量标注数据即可并行地训练人类积累的海量语料库，常常具备令人惊叹的性能。

蛋白序列与人类自然语言有相通之处。近年来，学界开展了多项将蛋白序列作为语料送入语言模型进行训练的研究，也取得了显著的成绩。这类模型通常能学习到蛋白序列中各氨基酸的相互关系，具有强大的表征学习能力。

图6. Transformer模型结构示意图

我们也深入开展了蛋白语言模型的研究，在开源模型基础上，结合我们在免疫组库方面积累的海量TCR/BCR序列数据，通过转移学习(Transfer Learning)的方式，训练出独特的TCR/BCR蛋白“方言”模型，能更好地表征免疫组库序列数据，成为我们AIAIBDA平台的核心底层技术之一。