基于NGS和深度学习的肿瘤免疫治疗效果预测系统技术方案

本发明专利技术属于下一代测序（NGS）和免疫治疗技术领域，具体涉及基于NGS和深度学习的肿瘤免疫治疗效果预测系统本发明专利技术的预测系统包括：多肽预测模块，用于分析患者肿瘤组织和单细胞的测序数据，分析HLA分型，并预测SNV、indel和fusion来源的多肽；新生抗原筛选模块，用于分析所述多肽，筛选可行度高的新生抗原；评分模块，用于采用循环神经网络RNN构建的模型对新生抗原进行打分，得到新生抗原负荷评分；预后预测模块，用于将新生抗原负荷评分代入多元线性回归模型，预测免疫治疗的治疗结局。本发明专利技术应用于临床能够为临床医生提供治疗用药指导，具有很好的应用前景。具有很好的应用前景。具有很好的应用前景。

【技术实现步骤摘要】
基于NGS和深度学习的肿瘤免疫治疗效果预测系统


[0001]本专利技术属于下一代测序（NGS）和免疫治疗
，具体涉及基于NGS和深度学习的肿瘤免疫治疗效果预测系统。

技术介绍

[0002]癌症免疫治疗领域近年来取得了多项重大突破，其中免疫检查点抑制剂（ICBs）被用于治疗多种癌症，包括晚期非小细胞肺癌、黑色素瘤和肾细胞癌的一线治疗。除了免疫检查点抑制剂，过继细胞疗法和肿瘤疫苗也是常见的癌症免疫疗法。这些癌症免疫治疗的基本机制是T细胞通过识别肿瘤细胞膜上的主要组织相容性复合物(MHC)所递呈的肿瘤新抗原来发挥免疫功能，进而摧毁癌细胞。
[0003]所以，肿瘤新抗原在当前肿瘤免疫治疗中发挥着重要作用。最常被研究的肿瘤新抗原包括来自单核苷酸变异(SNV)和插入或缺失(indel)的新生抗原，另外，基因融合也被报道是其理想来源。理论上，肿瘤新抗原是理想的癌症免疫治疗靶点，因为它们是正常人体组织中不存在的外源性蛋白。因此，对这些新抗原具有特异性的肿瘤杀伤T细胞可以逃避胸腺的阴性选择，并且不太可能触发自身免疫毒性。
[0004]测序技术的飞速发展，尤其是二代测序技术的应用降低了体细胞突变（SNV&indel）和染色体结构变异(SV)等的检测难度。临床相关数据与技术创新相结合，对肿瘤进行测序，并对肿瘤患者的个体化T细胞反应进行功能性解剖，促进了以新抗原为靶点的免疫疗法的发展。肿瘤免疫原性是启动肿瘤免疫治疗的基础，所以能够产生与MHC高亲和力结合的新生抗原，免疫应答的可能性就会越高；作为新抗原形成的指标，一些临床研究已经检验了肿瘤突变负荷(TMB)是否与肿瘤免疫治疗的临床反应性相关。PD
‑
1阻断的非小细胞肺癌临床益处与TMB相关；在接受抗CTLA
‑
4治疗的黑色素瘤患者中也观察到了类似的相关性，但是较弱。TMB最近被报道为一个不完美的生物标志物，尚无法预测纳武利尤单抗联合伊匹木单抗相比化疗带来的总体生存期的改善，而仅能预测PFS。此外，一项包含120名晚期实体瘤患者的抗PD
‑
1/CTLA
‑
4联合免疫疗法的二期临床研究表示，TMB在免疫治疗中并不能预测治疗效果。TMB越高，最后能够被T细胞识别的新抗原理论上产生也越多。但是，TMB仅代表产生肿瘤新抗原的可能性，不代表新抗原质量。
[0005]要准确鉴定患者的新抗原是困难的，目前主流的新生抗原预测的主要依赖体细胞错义突变来源（如SNV和indel）的多肽，由于这些方法没有考虑当两个基因在基因组中重排异常转录产生的融合基因，相关研究者也开发了关于融合基因的新抗原预测流程，基于MHC分子与多肽结合预测的新抗原筛选流程详细的有：pVAC
‑
seq，TSNAD，Neopepsee和INTEGRATE
‑
neo等。总的来说, 目前新抗原预测的流程“核心”基本一致，但是，均只考虑了多肽和MHC分子结合或者pMHC的潜在免疫原性（体外T细胞识别可能性预测），忽视了肿瘤微环境的影响，以及肿瘤患者体内针对这些抗原的T细胞反应的数量。此外，尚缺乏一个整合肿瘤基因组和转录组检测新抗原负荷预测的流程和可靠的综合性标志物以准确预测肿瘤免疫应答。
[0006]目前预测免疫治疗疗效的方法仅局限于预测肿瘤的突变数量或者新生抗原数量，忽视了肿瘤微环境的影响，以及肿瘤患者体内针对这些抗原的T细胞分化，即CD8+ T细胞扩增、耗竭状态。这使得免疫治疗的预后准确性存在较大的问题。因此，开发更加准确的免疫治疗预后方法仍然是本领域亟需解决的问题。

技术实现思路

[0007]针对现有技术的问题，本专利技术提供一种基于NGS数据和深度学习的肿瘤免疫治疗的预后预测方法和系统，目的在于实现更加准确的肿瘤免疫治疗疗效和预后预测。
[0008]一种基于NGS和深度学习的肿瘤免疫治疗效果预测方法，其包括如下步骤：步骤1，分析患者肿瘤组织和单细胞的测序数据，分析HLA
‑
I的分型，并预测SNV、indel和fusion来源的多肽；步骤2，分析所述多肽，筛选可信度高的新生抗原；步骤3，采用循环神经网络RNN构建的模型对步骤2得到的新生抗原进行打分，得到新生抗原负荷评分；步骤4，将步骤3得到的新生抗原负荷评分代入多元线性回归模型，预测免疫治疗的治疗结局。
[0009]优选的，步骤1具体包括如下步骤：步骤1.1，使用polysolver预测HLA
‑
I的分型结果；步骤1.2，利用GATK、Mutect2、VEP和ANNOVAR检测出高质量的SNV和indel并进行突变注释；步骤1.3，利用Genefuse检测DNA层面上的融合基因并用STAR
‑
Fusion和Arriba获得RNA
‑
seq数据中高可信度的融合转录本；步骤1.4，通过NeoPredpipe输出突变多肽的信息。
[0010]优选的，步骤2具体包括如下步骤：步骤2.1，利用netMHCpan分析步骤1得到的HLA
‑
I和多肽的亲和力；步骤2.2，保留输出为“strong binding，%rank<0.5”的多肽，将其作为可信度高的新生抗原。
[0011]优选的，所述模型为deepHLApan。
[0012]优选的，所述新生抗原评分包括：对多肽和MHC分子的相互作用的评分，和/或，对T细胞受体和多肽
‑
MHC复合物（TCR
‑
pMHC）的相互作用的评分。
[0013]优选的，所述CD8
‑
Tex多元线性回归模型纳入的预测变量包括：所述新生抗原负荷评分、HLA
‑
I类分子mRNA表达水平、HLA
‑
I/B2M体细胞突变、共刺激分子CD28和CD86的表达水平、免疫微环境中的细胞因子的含量、免疫细胞的含量和临床协变量。
[0014]优选的，所述多元回归模型为：NEO2ISIi=β1
×
S1i+β2
×
S2i+β3
×
S3i+εi其中，NEO2ISIi为肿瘤样本i中由新生抗原刺激引起的CD8
+ T 细胞的扩增、耗竭状态，S1i、S2i、S3i分别为肿瘤样本i中的SNV，indel和Fusion来源的新生抗原负荷评分，β1、β2、β3为系数，εi为肿瘤样本i的肿瘤微环境中的其他变量的影响，即残差值。
[0015]本专利技术还提供一种基于NGS和深度学习的肿瘤免疫治疗效果预测系统，其包括：
多肽预测模块，用于分析患者肿瘤组织和单细胞的测序数据，分析HLA分型，并预测SNV、indel和fusion来源的多肽；新生抗原筛选模块，用于分析所述多肽，筛选可行度高的新生抗原；评分模块，用于采用循环神经网络RNN构建的模型对新生抗原进行打分，得到新生抗原负荷评分；预后预测模块，用于将新生抗原负荷评分代入多元线性回归模型，预测免疫治疗的治疗结局。...

【技术保护点】

【技术特征摘要】
1.一种基于NGS和深度学习的肿瘤免疫治疗效果预测系统，其特征在于，其包括：多肽预测模块，用于分析患者肿瘤组织和单细胞的测序数据，分析HLA分型，并预测SNV、indel和fusion来源的多肽；新生抗原筛选模块，用于分析所述多肽，筛选可行度高的新生抗原；评分模块，用于采用循环神经网络RNN构建的模型对新生抗原进行打分，得到新生抗原负荷评分；预后预测模块，用于将新生抗原负荷评分代入多元线性回归模型，预测免疫治疗的治疗结局。2.按照权利要求1所述的基于NGS和深度学习的肿瘤免疫治疗效果预测系统，其特征在于，所述多肽预测模块的工作具体包括如下步骤：步骤1.1，使用polysolver预测HLA
‑
I的分型结果；步骤1.2，利用GATK、Mutect2、VEP和ANNOVAR检测出高质量的SNV和indel并进行突变注释；步骤1.3，利用Genefuse检测DNA层面上的融合基因并用STAR
‑
Fusion和Arriba获得RNA
‑
seq数据中高可信度的融合转录本；步骤1.4，通过NeoPredpipe输出突变多肽的信息。3.按照权利要求1所述的基于NGS和深度学习的肿瘤免疫治疗效果预测系统，其特征在于，所述新生抗原筛选模块的工作具体包括如下步骤：步骤2.1，利用netMHCpan分析步骤1得到的HLA
‑
I和多肽的亲和力；步骤2.2，保留输出为“strong ...

【专利技术属性】
技术研发人员：罗瑞函，周小波，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：