面向个性化癌症疫苗的计算新抗原(neoantigen)优先排序策略:基于实验验证肽–MHC复合物的独立多队列基准评估

《Vaccines》:Evaluation of Computational Neoantigen Prioritization Strategies for Personalized Cancer Vaccines

【字体: 大 中 小 】 时间:2026年09月29日 来源:Vaccines 3.5

编辑推荐:

  背景:免疫原性新抗原(neoantigen)的识别仍是限制有效个性化癌症疫苗(personalized cancer vaccines)开发的主要计算瓶颈之一。尽管已提出多种用于新抗原发现的计算方法,但关于在使用实验验证数据集时哪些方法最有效地优先排序疫苗候选

  
背景:免疫原性新抗原(neoantigen)的识别仍是限制有效个性化癌症疫苗(personalized cancer vaccines)开发的主要计算瓶颈之一。尽管已提出多种用于新抗原发现的计算方法,但关于在使用实验验证数据集时哪些方法最有效地优先排序疫苗候选物,仍缺乏独立证据。研究人员聚焦于对广泛使用的新抗原发现流程(pipeline)和新抗原评分工具(neoantigen scoring tools)进行独立多队列基准评估,所用数据集为包含实验验证免疫原性肽–主要组织相容性复合体(major histocompatibility complex, MHC)复合物的公开数据集。方法:为评估用于候选疫苗肽选择的计算策略,研究人员使用实验验证的新抗原数据集,独立基准评估了5个端到端新抗原预测流程和7个新抗原评分与优先排序工具。端到端流程在TESLA队列上使用5例患者的原始全外显子组测序(whole-exome sequencing, WES)和RNA测序(RNA sequencing, RNA-seq)数据进行评估,而单个预测工具额外在TESLA、美国国家癌症研究所(National Cancer Institute, NCI)和人类整合肿瘤免疫发现引擎(Human Integrated Tumor Immunology Discovery Engine, HiTIDE)验证队列上进行评估,这些队列包含实验验证的免疫原性和非免疫原性肽–MHC复合物。结果:在所评估流程中,NeoHunter实现了对实验验证新抗原的最高总体回收率,而评分和优先排序工具NetMHCpan、MixMHCpred和MHCFlurry总体表现出最强的排序性能,但其相对性能在不同数据集和患者之间差异很大。精确率–召回率(precision–recall, PR)、平均精确率(average precision, AP)和前K(top K)分析表明,没有任何单一预测器在各队列中持续占优,并揭示了候选列表大小、精确率和验证新抗原回收率之间的明确权衡。对临床相关候选选择阈值的分析表明,将疫苗设计仅限于最高排名肽会显著降低灵敏度,而更广泛的候选选择可提高回收率,但代价是增加实验负担。结论:这些发现为疫苗靶点的计算选择提供了实用建议,并强调了当前局限性,必须解决这些局限性以提高基于个性化新抗原疫苗的成功率。
论文主体解读

个性化癌症疫苗通过预测患者特异性新抗原(neoantigen)开发,是现代肿瘤免疫学的重要方向。新抗原由肿瘤特异性改变产生,最常见为体细胞突变,在正常组织中缺失,因而具有诱导适应性免疫反应的高特异性。其主要来源包括单核苷酸变异(single-nucleotide variants, SNVs)、插入和缺失、染色体易位、基因融合以及改变蛋白氨基酸序列的可变转录本。免疫原性新抗原的形成是多步骤生物学过程,不仅需要体细胞改变,还需要来源转录本表达和翻译、突变蛋白被抗原加工机制处理。在主要组织相容性复合体I类(major histocompatibility complex class I, MHC class I)呈递中,细胞内蛋白经蛋白酶体降解为肽段,由抗原加工相关转运体(transporter associated with antigen processing, TAP)转运至内质网,进一步修剪并结合MHC-I分子;形成的肽–MHC I类复合物(pMHC-I)转运至细胞表面,可被CD8+细胞毒性T淋巴细胞上的T细胞受体(T-cell receptors, TCR)识别。肿瘤来源蛋白也可经内吞或自噬进入MHC II类途径,形成肽–MHC II类复合物(pMHC-II),被CD4+T细胞识别。树突状细胞还可交叉呈递外源性肿瘤抗原至MHC-I分子。因此,计算新抗原预测需要整合基因组、转录组和免疫学数据。

目前问题在于,尽管已有大量新抗原预测工具和整合流程,临床疗效仍高度依赖计算识别真正免疫原性新抗原。由于单个疫苗配方只能纳入有限肽段,准确优先排序成为疫苗设计关键。多数已发表方法在内部训练集或部分重叠数据集上显示有效,但在独立测试数据,尤其端到端分析条件下表现不足。MHC-I结合和呈递模型通常使用结合亲和力或洗脱配体数据,而一些免疫原性模型依赖免疫表位数据库(Immune Epitope Database, IEDB)T细胞检测数据,这些数据历史上集中于感染性疾病,肿瘤新抗原代表性相对不足,导致对癌症新抗原的泛化性不确定。因此,研究人员开展独立多队列基准研究,比较上述工具和完整流程,使用TESLA、NCI和HiTIDE三个含实验验证免疫原性和非免疫原性肽–MHC复合物的公开数据集,评估测序数据分析可重复性、新抗原评分和优先排序准确性以及计算免疫原性预测性能。结果表明,现代流程能识别相当比例验证新抗原,但假阳性高;没有单一预测器在各队列中持续最优,且候选列表大小、精确率和验证新抗原回收率之间存在权衡。其意义在于为个性化癌症疫苗靶点计算选择提供实用建议,并指出需改进训练数据集和模型以纳入更多肿瘤免疫原性相关因素。

关键技术方法:研究评估5个端到端新抗原预测流程 nextNEOpi v1.5.1b、NeoHunter v1.0、NeoDisc 1.60、ScanNeo2 v0.3.8 和 RONC,以及7个评分与优先排序工具 NetMHCpan v4.1、MHCFlurry v2.0、MixMHCpred v3.0、MHCnuggets v2.4、BigMHC 1.0、DeepImmuno v1.0、pVACseq v1.6.0,均按默认或推荐设置运行。流程在TESLA队列使用5例患者原始WES和RNA-seq评估;评分工具在TESLA、NCI(112例,19,087个pMHC候选,103个阳性)和HiTIDE(11例,1,552个测试,41个阳性)验证。RONC基于Galaxy平台,遵循GATK最佳实践,使用BWA和STAR比对,Mutect2和FilterMutectCalls检出体细胞突变,isovar结合RNA表达,OptiType确定HLA,RoncMHCAnalyser预测MHC-I结合亲和力。性能采用PR曲线、AP、Precision@K和Recall@K,并考虑类别不平衡。

研究结果

3.1 研究设计:研究使用三个含实验验证免疫原性和非免疫原性肽的基准队列,而非依赖合成或部分注释数据。分析分两阶段:Part A评估端到端流程,输入WES和RNA-seq并自动生成候选新抗原列表,反映真实临床工作流,其中任一阶段错误都会影响最终结果;Part B独立比较评分和优先排序工具,并利用亲和力排序优先选择候选物,从而将评分模型贡献与流程架构和过滤策略影响分开。该设计可评估方法敏感性并定量刻画假阳性预测率。

3.2 新抗原预测流程的性能:在TESLA数据集从测序读段开始评估5个流程。NeoHunter识别30/34个验证候选,RONC识别29/34,NeoDisc和nextNEOpi识别28/34,ScanNeo2识别24/34。流程间正确预测重叠最多为17个验证候选,显示验证表位识别存在相似性。假阳性预测较多:nextNEOpi为284/501,RONC为252/501,ScanNeo2为233/501,NeoHunter为219/501。PR分析显示各工具精确率和召回率略有差异,NeoHunter多为最高精确率;但AP显示ScanNeo2排序性能最高,患者平均水平为0.311,NeoHunter为0.274,NeoDisc为0.256。Top K分析显示NeoHunter在前40个候选内精确率最高,ScanNeo2早期排序最强,尽管总回收验证新抗原较少。计算时间约22 h/样本,nextNEOpi在两个样本中超内存。总体表明所有方法识别大量验证表位,但几乎全部工具假阳性超过50%。

3.3 来自流程输出的新抗原评分与优先排序性能:评估NetMHCpan、MHCFlurry、MixMHCpred、MHCnuggets、DeepImmuno、BigMHC及pVACseq框架。将TESLA流程生成的候选肽–MHC合并为统一数据集,以减少对单一流程候选选择策略的依赖。初步结果显示,NetMHCpan、DeepImmuno和MHCFlurry总体灵敏度最高且假阳性相对较低;MHCnuggets特异性明显较低;BigMHC覆盖中等且假阳性低;pVACseq共识方法回收验证新抗原高于单独预测方法。按HLA等位基因比较显示预测准确性存在明显变异,数据集内最常见等位基因HLA-A*02:01约占所有测试表位47%,其验证与未验证预测候选比例接近总体平均。结论是工具性能受HLA等位基因和数据集组成影响。

3.4 不同候选选择阈值下的新抗原优先排序性能:使用TESLA、NCI和HiTIDE评估临床相关阈值。NCI含112例、19,087个pMHC候选、103个确认免疫原性;HiTIDE含11例、1,552个测试、41个阳性。PR分析显示预测器性能随数据集明显变化:NetMHCpan在TESLA的PR-AUC最高,MixMHCpred在NCI最高,MHCFlurry在HiTIDE最高,BigMHC在三个数据集均表现较强。NetMHCpan、MixMHCpred、MHCFlurry和BigMHC形成最佳组,DeepImmuno和MHCnuggets总体较低。AP显示NetMHCpan在TESLA最高为0.243,MixMHCpred在NCI为0.050,MHCFlurry在HiTIDE为0.105,且患者间变异大。Top K分析中,TESLA前25个候选回收约69–85%验证新抗原,前50个超过90%;NCI前25个回收约50–60%,前100个为71–78%;HiTIDE变异更大。增加K提高召回但降低精确率。按亲和力选择前100个候选时,NCI中MixMHCpred、NetMHCpan和BigMHC真阳性率接近60%,阴性约2%,DeepImmuno为4%;HiTIDE中MixMHCpred和NetMHCpan最高约50%,假阳性约30%;TESLA中MixMHCpred最佳,假阳性通常为真阳性约三分之一,MHCnuggets例外略高。仅选前25个时,NCI中MixMHCpred最高覆盖40%,HiTIDE中NetMHCpan和MHCFlurry为22%,TESLA中BigMHC为32%。若扩展至前400个,NetMHCpan、MHCFlurry和MixMHCpred可在所有数据集中覆盖超过80%验证候选,但假阳性显著增加。全结果中,NetMHCpan、MixMHCpred和MHCFlurry对验证案例的平均排名低于阴性和未验证案例。结论是候选选择规模、敏感性和实验负担之间存在明确权衡。

讨论部分总结:准确识别免疫原性新抗原仍是计算肿瘤免疫学核心挑战。现代流程可识别大量验证新抗原,NeoHunter灵敏度最高,随后为RONC、NeoDisc、nextNEOpi和ScanNeo2;但AP和Top K显示ScanNeo2富集验证新抗原最强,NeoHunter和NeoDisc随后,说明总体回收与排序效率是不同性能维度。患者间AP变异大,流程间预测验证新抗原重叠有限,差异可能来自突变检出、RNA过滤、表位生成和候选优先排序。限制包括端到端流程比较仅基于TESLA,患者和验证新抗原数量少,不能建立通用排名;肿瘤类型和HLA组成不代表临床多样性。所有流程均表现高假阳性,因为多数预测器主要训练于结合亲和力或洗脱配体数据,不能完全代表有效免疫识别所需机制。前100个候选假阳性为2%至40%。训练数据中负例少、罕见HLA代表性不足、肽长通常8–11个氨基酸,且验证新抗原在T细胞反应幅度、肿瘤表达、克隆性和抗原呈递等方面存在差异但分析中视为等同。基准依赖少数数据集,TESLA主要包含规范体细胞突变来源,未覆盖可变剪接、RNA编辑和非编码区等非经典来源。研究仅评估MHC-I限制新抗原,未评估MHC-II限制新抗原或CD4+T细胞反应。IEDB以病原体表位为主,肿瘤抗原少,需建立癌症特异性数据库。pVACseq等共识框架表现较好,支持组合多模型减轻偏差,但增加预测器不一定改善,冗余或差模型可能引入变异或稀释信号。

研究结论翻译:总之,研究人员的发现对个性化癌症疫苗开发具有直接意义,而当前疫苗平台通常仅包含有限数量的新抗原,使计算优先排序成为临床成功的主要决定因素之一。观察到的预测工具之间的差异表明,仅计算方法选择即可显著影响最终疫苗组成。因此,像本工作这样的独立基准研究对于提高新抗原选择流程的可重复性和标准化至关重要。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号