SwiftRepertoire：基于动态核代码的少样本免疫签名合成

T cell receptors 的 repertoire 级别分析为疾病检测和免疫监测提供了以生物学为导向的信号，然而实际部署受 label sparsity、cohort heterogeneity 以及适应大型编码器以新任务的计算负担的阻碍。我们提出一种框架，从学习字典中的 prototype 集合中合成紧凑的 task-specific 参数化。这些参数化依据轻量级 task descriptors 生成，这些 descriptors 源自 repertoire probes 和 pooled embedding 统计信息。这种合成产生小型 adapter 模块应用于冻结的 pretrained backbone，从而在仅少量 support examples 的情况下即可适应新任务，无需完整模型 fine-tuning。该架构通过 motif-aware probes 和校准的 motif discovery pipeline 保持可解释性，这些 pipeline 将预测决策链接到 sequence-level 信号。综上，这些组件为在 labeled data 稀缺且计算资源受限的 diverse clinical and research setting 中将 repertoire-informed 模型转化为实用、样本高效且可解释的路径提供了可能。