利用肽序列及HLA等位基因序列来预测新生抗原的方法及计算机程序技术

本发明专利技术公开了一种利用肽序列及HLA等位基因序列来预测新生抗原的方法，包括如下步骤：接收从对象癌组织提取的肽序列和HLA等位基因序列作为输入；从肽序列获得T细胞活性数据，并且将T细胞活性数据输入到免疫性预测模型，从而输出对肽序列的免疫性进行预测的第一预测值；从HLA等位基因序列获得结合数据，并且将结合数据输入到结合性预测模型，从而输出对肽序列及HLA等位基因序列的结合性进行预测的第二预测值；将T细胞活性数据及结合数据输入到免疫耐受性预测模型，并输出预测对象癌组织的免疫耐受性的第三预测值；以及利用T细胞活性数据及第一预测值至第三预测值来生成对象细胞的新生抗原信息。的新生抗原信息。的新生抗原信息。

【技术实现步骤摘要】
【国外来华专利技术】利用肽序列及HLA等位基因序列来预测新生抗原的方法及计算机程序


[0001]本专利技术涉及一种利用肽序列及HLA等位基因序列来预测新生抗原的方法及计算机程序。

技术介绍

[0002]由于抗癌新药物开发的发展，经过第一代抗癌剂的化学抗癌剂、第二代靶向抗癌剂，最近第三代免疫抗癌剂备受瞩目。特别是第三代免疫抗癌剂与之前的抗癌剂不同，是利用患者自身的免疫系统的治疗战略，因此具有副作用明显较低的优点。但是，尽管有这些优点，但限于只有表现出PD
‑
L1等标志基因及微卫星不稳定(MSI
‑
H)的患者才能制定利用免疫抗癌剂的治疗策略。由于这种制约，需要制定用于治疗难以注射现有抗癌剂的患者的策略，并且作为对策之一提出来的就是利用新生抗原的癌症疫苗。各患者的癌组织中存在在正常组织中未发现的突变，通过利用来源于这种突变的肽作为新生抗原来使患者的免疫系统能够识别和攻击相应的新生抗原是癌症疫苗的核心战略。在此过程中，首先必须得到解决的过程是第一，突变衍生肽和患者特异性HLA等位基因之间的稳定结合；第二，确认该突变衍生肽是否具有很好刺激患者免疫系统的免疫原性。特别是，为了最大限度地反映免疫原性，需要模仿免疫原性发生的所有步骤，并且提取主要特征，但在此过程中可能会发生遗漏或消失的步骤，这一点以后可能会对免疫原性预测起到局限性作用。
[0003]于此，本技术想要实现一种策略，该策略基于迄今为止已知的具有免疫原性的肽和MHC(人的情况为HLA)序列的组合数据来防止免疫过程的遗漏并提取主要特征。另外，想通过分别对与作为新生抗原的HLA的结合力、肽序列自身的免疫原性、虽有结合力但不诱导免疫的免疫耐受性进行建模来导出可适用于患者的新生抗原。以上
技术介绍
作为专利技术者为了导出本专利技术而拥有的或在导出本专利技术的过程中掌握的技术信息，并不一定是在本专利技术的申请前向一般公众公开的公知技术。

技术实现思路

[0004]本专利技术是根据上述的必要性而提出的，其目的在于，一方面，将患者癌组织内存在的突变衍生肽序列与患者特异性HLA相结合，另一方面，经过一系列的免疫过程，最终预测显示免疫原性，并以此为基础决定可用于癌症患者定制型癌症疫苗的新生抗原。
[0005]根据本专利技术的实施例的利用肽序列及HLA等位基因序列来预测新生抗原的方法，可包括如下步骤：接收从对象癌组织提取的肽序列和HLA等位基因序列作为输入；从肽序列获得T细胞活性数据，将T细胞活性数据输入到免疫性预测模型，从而输出对肽序列的免疫性进行预测的第一预测值；从HLA等位基因序列获得结合数据，将结合数据输入到结合性预测模型，从而输出对肽序列及HLA等位基因序列结合性进行预测的第二预测值；将T细胞活性数据及结合数据输入到免疫耐受性预测模型，输出预测对象癌组织的免疫耐受性的第三预测值；以及利用T细胞活性数据及第一预测值至第三预测值来生成对象细胞的新生抗原
信息。
[0006]免疫性预测模型、结合性预测模型及免疫耐受性预测模型中的至少一个是可以以训练数据组为基础并根据机械学习算法训练的，训练数据组包括存在于多个对象癌组织的肽序列及HLA等位基因序列。
[0007]对象癌组织可包括操纵的细胞，以便表达单一MHC I类或II类等位基因。
[0008]对象癌组织可包括从多个患者获得或来源于多个患者的人类细胞。
[0009]对象癌组织可包括从多个患者获得的新鲜的或者冷冻的肿瘤细胞。
[0010]对象癌组织可包括从多个患者获得的新鲜的或冷冻的组织细胞。
[0011]对象癌组织可包括使用T
‑
细胞分析来确认的肽。
[0012]训练数据组可至少包括与对象癌组织相关联的蛋白质组序列有关的数据、与对象癌组织相关联的MHC肽序列有关的数据、与对象癌组织相关联的肽和HLA等位基因间的结合数据、与对象癌组织相关联的转录组有关的数据、与对象癌组织相关联的基因组有关的数据中一个。
[0013]免疫性预测模型可以是使用来自肽序列的T细胞活性数据作为输入、使用肽序列的免疫性作为输出而学习的模型。
[0014]结合性预测模型可以是使用来自HLA等位基因序列和肽序列的结合数据作为输入、使用肽序列和HLA等位基因序列的结合性作为输出而学习的模型。
[0015]免疫耐受性预测模型可以是使用来自肽序列和HLA等位基因序列的T细胞活性数据及来自HLA等位基因序列和肽序列的结合数据作为输入、使用肽序列及HLA等位基因序列之间的免疫耐受性作为输出而学习的模型。
[0016]为了利用计算机运行根据本专利技术的实施例的方法中的任意一个方法，根据本专利技术的实施例的计算机程序可存储于媒介。
[0017]此外，还提供一种用于实现本专利技术的其他方法、其他系统及记录用于运行该方法的计算机程序的计算机可读记录媒介。
[0018]除前述外的其他方面、特征、优点将从附图、专利权利要求书及专利技术的详细说明变得明确。
[0019]根据如上所述形成的本专利技术的一个实施例，不仅可测量包含在癌组织中的肽序列和HLA等位基因序列之间的结合力，还可测量肽序列的免疫性，并且基于测量的免疫性决定癌组织内的新生抗原。
附图说明
[0020]图1是根据本专利技术的实施例的新生抗原决定装置100的块图。
[0021]图2是韩国人的细胞中包含的HLA I类的类型信息的示例图。
[0022]图3是根据本专利技术的实施例的新生抗原决定装置100的块图。
[0023]图4是对新生抗原决定装置100的输入数据及输出数据进行说明的图。
[0024]图5至图7是根据本专利技术的实施例的新生抗原决定系统的具体体现示例的图。
[0025]图8是使得学习免疫性预测模型、结合性预测模型、免疫耐受性预测模型等的学习服务器10的块图。
[0026]图9是免疫性预测模型、结合性预测模型、免疫耐受性预测模型的示例图。
具体实施方式
[0027]以下，参照附图中示出的本专利技术的实施例，对本专利技术的构成和作用进行详细的说明。
[0028]本专利技术可施加各种转换，并且可具有各种实施例，因此想要在图中示例特定实施例并在详细的说明中进行详细的说明。参照附图和在后面详细叙述的实施例，本专利技术的效果和特征以及实现它们的方法将变得明确。但是，本专利技术不限于以下公开的实施例，可以以各种形态体现出来。
[0029]以下，参照附图对本专利技术的实施例进行详细的说明，当参照附图进行说明时，相同或对应的构成要素赋予相同的附图标号，并且省略对此的重复说明。
[0030]在以下的实施例中，第一、第二等术语不是限定的意义，而是用于将一个构成要素与其他构成要素区别开来。
[0031]在以下实施例中，单数的表达包括复数的表达，除非文脉上有明显不同的意思。
[0032]在以下实施例中，包括或具有等术语是指说明书中所记载的特征或构成要素的存在，不是事先排除附加一个以上的其他特征或构成要素的可能性。
[0033]在图中，为了方便说明，构成要素本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，包括如下步骤：接收从对象癌组织提取的肽序列和HLA等位基因序列作为输入；从肽序列获得T细胞活性数据，将T细胞活性数据输入到免疫性预测模型，从而输出对肽序列的免疫性进行预测的第一预测值；从HLA等位基因序列获得结合数据，将结合数据输入到结合性预测模型，从而输出对肽序列及HLA等位基因序列的结合性进行预测的第二预测值；将T细胞活性数据及结合数据输入到免疫耐受性预测模型，输出预测对象癌组织的免疫耐受性的第三预测值；以及利用T细胞活性数据及第一预测值至第三预测值来生成对象细胞的新生抗原信息。2.根据权利要求1所述的利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，免疫性预测模型、结合性预测模型及免疫耐受性预测模型中的至少一个是以训练数据组为基础并根据机械学习算法训练的，训练数据组包括存在于多个对象癌组织的肽序列及HLA等位基因序列。3.根据权利要求2所述的利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，对象癌组织包括操纵的细胞，以便表达单一MHC I类或II类等位基因。4.根据权利要求2所述的利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，对象癌组织包括从多个患者获得或来源于多个患者的人类细胞。5.根据权利要求2所述的利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，对象癌组织包括从多个患者获得的新鲜的或者冷冻的肿瘤细胞。6.根据权利要求2所述的利用肽序列及HLA等位基因序列来预测新生抗原的方法，其特征在于，...

【专利技术属性】
技术研发人员：黄泰淳，洪晟宜，
申请(专利权)人：泰来健生物，
类型：发明
国别省市：