CN114141304B - 一种肿瘤样本免疫编辑状态定量方法及其应用 - Google Patents
一种肿瘤样本免疫编辑状态定量方法及其应用 Download PDFInfo
- Publication number
- CN114141304B CN114141304B CN202111532372.5A CN202111532372A CN114141304B CN 114141304 B CN114141304 B CN 114141304B CN 202111532372 A CN202111532372 A CN 202111532372A CN 114141304 B CN114141304 B CN 114141304B
- Authority
- CN
- China
- Prior art keywords
- immune
- tumor
- neoantigen
- mutation
- rank
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011002 quantification Methods 0.000 title claims description 15
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 239000000427 antigen Substances 0.000 claims abstract description 20
- 108091007433 antigens Proteins 0.000 claims abstract description 20
- 102000036639 antigens Human genes 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000003745 diagnosis Methods 0.000 claims abstract description 4
- 229960005486 vaccine Drugs 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 53
- 201000011510 cancer Diseases 0.000 claims description 23
- 230000014509 gene expression Effects 0.000 claims description 11
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 11
- 108091032973 (ribonucleotides)n+m Proteins 0.000 claims description 9
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 8
- 108020004999 messenger RNA Proteins 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 206010069754 Acquired gene mutation Diseases 0.000 claims description 3
- 108700028369 Alleles Proteins 0.000 claims description 3
- 229920001184 polypeptide Polymers 0.000 claims description 3
- 230000037439 somatic mutation Effects 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 229940079593 drug Drugs 0.000 claims 1
- 238000011067 equilibration Methods 0.000 claims 1
- 230000036039 immunity Effects 0.000 claims 1
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 abstract description 10
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 abstract description 10
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 abstract description 10
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 abstract description 10
- 230000005847 immunogenicity Effects 0.000 abstract description 9
- 210000000987 immune system Anatomy 0.000 abstract description 6
- 210000004881 tumor cell Anatomy 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 239000003550 marker Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000002560 therapeutic procedure Methods 0.000 abstract description 2
- 238000009169 immunotherapy Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001404 mediated effect Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 201000009030 Carcinoma Diseases 0.000 description 2
- 238000001207 Hosmer–Lemeshow test Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 238000002619 cancer immunotherapy Methods 0.000 description 2
- 230000007012 clinical effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002939 deleterious effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 208000037819 metastatic cancer Diseases 0.000 description 2
- 208000011575 metastatic malignant neoplasm Diseases 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 102100021663 Baculoviral IAP repeat-containing protein 5 Human genes 0.000 description 1
- 229940045513 CTLA4 antagonist Drugs 0.000 description 1
- 230000009946 DNA mutation Effects 0.000 description 1
- 102000008949 Histocompatibility Antigens Class I Human genes 0.000 description 1
- 108010088652 Histocompatibility Antigens Class I Proteins 0.000 description 1
- 102100040678 Programmed cell death protein 1 Human genes 0.000 description 1
- 108010002687 Survivin Proteins 0.000 description 1
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010370 cell cloning Methods 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017188 evasion or tolerance of host immune response Effects 0.000 description 1
- 238000012165 high-throughput sequencing Methods 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000001024 immunotherapeutic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种肿瘤样本免疫编辑状态定量方法及其应用,属于生物医学技术领域;免疫编辑反映的是机体免疫系统和肿瘤细胞之间的相互作用过程。本发明基于肿瘤病人基因组DNA变异的频率分布模式,提出了一种用来定量分析肿瘤样本的免疫编辑状态的方法。该方法定量的免疫编辑状态能够作为肿瘤病人免疫治疗效果预测的标志物,以及作为判定新抗原免疫原性强弱的依据。具有免疫编辑清除信号的肿瘤病人相比没有这种免疫编辑清除信号的病人,在免疫检查点抑制剂治疗中有着更好的临床效果。免疫编辑清除信号强弱也是肿瘤新抗原的免疫原性强弱的一个指标。本发明有助于肿瘤病人的精准诊断以及新抗原疫苗的设计开发。
Description
技术领域
本发明涉及一种肿瘤样本免疫编辑状态定量方法及其应用,属于生物医学技术领域。
背景技术
肿瘤细胞和免疫系统之间复杂的相互作用可以用免疫编辑来概括1-2,免疫编辑包括三个步骤:清除,平衡和逃逸;在清除阶段,免疫细胞可以有效的识别并杀死携带高免疫原性变异的肿瘤细胞,在逃逸阶段,肿瘤细胞可以通过一些免疫逃逸的途径(比如PD1的表达,抑制编码高免疫原性DNA变异的转录表达等3)来逃避免疫系统的识别。在癌症发生演化过程中,一些DNA变异对癌细胞生长有利,这些变异就会受到正向选择,例如癌症驱动突变。另外一些DNA变异会对癌症发展产生有害影响,因此在癌症进化过程中被负向选择,大部分基因组DNA变异对癌症没有驱动或有害影响,因此遵循中性进化模式。一些癌症DNA突变会产生肿瘤特异的突变肽,这些肽可能会和MHC-I分子结合被呈递到细胞表面,供T细胞识别4,从而受到免疫系统的负向选择。能被免疫系统识别的突变肽也称为新抗原(neoantigen)。新抗原是真正肿瘤特异的免疫靶点,然而新抗原的识别还是一个未完全解决的关键科学和应用问题。免疫编辑信号的定量为判定新抗原免疫原性强弱提供了一个新的依据。
以免疫检查点抑制剂(immune checkpoint inhibitors,ICI)(包括抗PD-1抗体,抗PD-L1抗体,抗CTLA-4抗体或它们的组合)为代表免疫疗法的发展是癌症治疗领域的革命性突破。常规癌症治疗方法(如放疗、化疗)对晚期已转移癌症往往束手无策,免疫治疗可以对部分晚期已转移癌症发挥非常显著的治疗效果。然而,大多数未经选择的患者不会对ICI做出反应。预测哪些病人适合用免疫疗法的标志物目前仍旧匮乏,这需要对肿瘤细胞和免疫系统之间的相互作用更加深入的理解。本发明提供了一种新的免疫编辑状态定量方法,该方法基于肿瘤病人基因组DNA变异的频率分布模式。据此定量的免疫编辑信号可以作为治疗病人免疫治疗临床效果预测的生物标志物。免疫编辑清除信号的强弱体现了新抗原免疫原性的强弱,定量的免疫编辑信号也能作为新抗原免疫原性的一个判定依据。
参考文献:
1.O'Donnell,J.S.,Teng,M.W.L.,and Smyth,M.J.(2019).Cancerimmunoediting and resistance to T cell-based immunotherapy.Nat Rev Clin Oncol16,151-167.
2.Schreiber,R.D.,Old,L.J.,and Smyth,M.J.(2011).Cancer Immunoediting:Integrating Immunity's Roles in Cancer Suppression and Promotion.Science 331,1565-1570.
3.Beatty G L,Gladney W L.(2015).Immune escape mechanisms as a guidefor cancer immunotherapy.Clinical cancer research,21:687-692.
4.Schumacher TN,Schreiber RD.(2015)Neoantigens in cancerimmunotherapy.Science,348:69–74.
5.Hugo,W.,Zaretsky,J.M.,Sun,L.,Song,C.Y.,Moreno,B.H.,Hu-Lieskovan,S.,Berent-Maoz,B.,Pang,J.,Chmielowski,B.,Cherry,G.,et al.(2016).Genomic andTranscriptomic Features of Response to Anti-PD-1Therapy in MetastaticMelanoma.Cell 165,35-44.
6.Liu,D.,Schilling,B.,Liu,D.,Sucker,A.,Livingstone,E.,Jerby-Amon,L.,Zimmer,L.,Gutzmer,R.,Satzger,I.,Loquai,C.,et al.(2019).Integrative molecularand clinical modeling of clinical outcomes to PD1 blockade in patients withmetastatic melanoma.Nat Med 25,1916-+.
7.Riaz,N.,Havel,J.J.,Makarov,V.,Desrichard,A.,Urba,W.J.,Sims,J.S.,Hodi,F.S.,Martin-Algarra,S.,Mandal,R.,Sharfman,W.H.,et al.(2017).Tumor andMicroenvironment Evolution during Immunotherapy with Nivolumab.Cell 171,934-+.
发明内容
本发明的目的是为解决如何定量肿瘤样本免疫编辑状态以及应用的技术问题。
为达到解决上述问题的目的,本发明所采取的技术方案是提供一种肿瘤样本免疫编辑状态定量方法,包括清除和平衡阶段两个方面的免疫编辑信号定量步骤:
步骤1:基于新抗原突变的CCF分布定量免疫编辑的清除信号ESCCF;
步骤1.1:首先对病人的癌症样本和正常样本配对检测体细胞突变,使用的工具为Mutect2,并获取每个突变的CCF信息,使用的工具为ABSOLUTE;
步骤1.2:确定每个病人的HLA等位基因分型,使用的工具为Optitype;
步骤1.3:对每个体细胞突变预测其产生的9肽和MHC-I的亲和力,使用的工具为NetMHCpan,如果一个突变产生的多肽中有和MHC-I的亲和力IC50小于50nM,IC50在随机肽中的排序低于0.5%并且突变位点所在的基因表达,单位为TPM,大于1,那么这个突变位点就被标记为可以产生新抗原的位点;
步骤1.4:计算新抗原富集分数ES;
步骤1.4.1:将整个CCF范围0-1平均分为100个区间,按降序排列;并为每个区间分配一个秩值,从100到1;为了使秩分布的两个尾部的权重更重,进一步对秩进行了标准化:
R是标准化后的秩,L是区间的数量,r是原始的秩;
步骤1.4.2:然后计算每个区间m(i)中的突变数量,并根据突变计数m(i)和区间秩值R(i)为每个区间分配一个值a(i):
步骤1.4.3:通过从上到下游走来计算随机变量a(i)的经验累计分布F:
步骤1.4.4:然后,分别为单个样本的新抗原突变F_N(n)和非新抗原突变F_M(n)构建了两个分布,通过取两个分布的距离来获得类似Kolmogorov–Smirnov,K-S统计量的统计量:D=FN(n)-FM(n);接着就可以根据这个统计量计算新抗原富集分数ES:
ES=|D(n)+|-|D(n)-|=max(0,D(n))-|min(0,D(n))|
D(n)+和D(n)-分别是距离0的最大正值和最小负值;
步骤2:基于新抗原突变的mRNA表达分布定量免疫编辑的逃逸信号ESRNA;
对于单个样本使用z表示mRNA表达,为了减少潜在异常值的影响,首先转换为秩z’,并进一步标准化为r=|P/2-z’|+1,使秩围绕1对称,P是样本中的突变数,并使秩分布的两个尾部的权重更重。然后得到了两个累积分布,对于作为新抗原的突变:
对于非新抗原的非同义突变:
其中S是一组新抗原突变,r是标准化后的秩,然后构建一个类似于K-S统计量的统计量:
T=Dneo(S,i)-Dnotneo(S,i)
类似地,从这个统计量距离0的最大正值和最小负值绝对值的差得到新抗原富集评分ES:
ES=max(0,T)-|min(0,T)|
本发明提供一种肿瘤样本免疫编辑状态定量方法的应用。
本发明提供一种肿瘤样本免疫编辑状态定量方法的应用,所述应用包括在制备用于预测肿瘤病人的免疫治疗效果的诊断试剂盒中的应用。
本发明提供一种肿瘤样本免疫编辑状态定量方法的应用,所述应用包括在制备治疗肿瘤的药物上的应用。
本发明提供一种肿瘤样本免疫编辑状态定量方法的应用,所述应用包括在肿瘤新抗原疫苗设计中的应用。
相比现有技术,本发明具有如下有益效果:
本发明基于肿瘤病人基因组DNA变异的频率分布模式,提供了一种全新的方法用来定量分析肿瘤样本的免疫编辑状态。定量的免疫编辑状态能够作为肿瘤病人免疫治疗效果预测的标志物,以及作为判定新抗原免疫原性强弱的依据。具有免疫编辑清除信号的肿瘤病人相比没有这种免疫编辑清除信号的病人,在免疫检查点抑制剂治疗中有着更好的临床效果。免疫编辑清除信号强弱也是肿瘤新抗原的免疫原性强弱的一个指标。本发明有助于肿瘤病人的精准诊断以及新抗原疫苗的设计开发。
附图说明
图1为基于分布模式方法量化癌症进化中新抗原介导的负选择流程图。
图2为量化免疫编辑信号(ESCCF和ESRNA)的泛癌分布和特征图。
图3为免疫编辑清除信号(ESCCF)和新抗原介导的负选择强度(s)量化分析图。
图4为量化免疫编辑清除信号(ESCCF)预测癌症免疫治疗临床反应分析图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下:本发明提供一种肿瘤样本免疫编辑状态定量方法及其应用。
本发明定量了在肿瘤免疫编辑过程中由新抗原介导的负选择压力。包括免疫编辑清除信号(ESCCF)的定量,以及免疫编辑逃逸信号(ESRNA)的定量。其技术方案分别描述如下:
A.基于新抗原突变的CCF(癌细胞克隆比例,Cancer Cell Fraction)分布定量免疫编辑的清除信号(ESCCF)。
1.首先对病人的癌症样本和正常样本配对检测体细胞突变,使用的工具为Mutect2,并获取每个突变的CCF信息,使用的工具为ABSOLUTE;
2.确定每个病人的HLA等位基因分型,使用的工具为Optitype;
3.对每个体细胞突变预测其产生的9肽和MHC-I的亲和力,使用的工具为NetMHCpan,如果一个突变产生的多肽中有和MHC-I的亲和力(IC50)小于50nM,IC50在随机肽中的排序低于0.5%并且突变位点所在的基因表达(单位为TPM)大于1,那么这个突变位点就被标记为可以产生新抗原的位点;
4.计算新抗原富集分数(neoantigen enrichment score,ES):
4.1将整个CCF范围(0-1)平均分为100个区间(按降序排列),并为每个区间分配一个秩值(从100到1)。为了使秩分布的两个尾部的权重更重,进一步对秩进行了标准化:
R是标准化后的秩,L是区间的数量,r是原始的秩。
4.2然后计算每个区间(m(i))中的突变数量,并根据突变计数(m(i))和区间秩值(R(i))为每个区间分配一个值a(i):
4.3通过从上到下游走来计算随机变量a(i)的经验累计分布F:
4.4然后,分别为单个样本的新抗原突变(F_N(n))和非新抗原突变(F_M(n))构建两个分布,可以通过取两个分布的距离来获得类似Kolmogorov–Smirnov(K-S)统计量的统计量:
D=FN(n)-FM(n)
接着就可以根据这个统计量计算新抗原富集分数(ES):
ES=|D(n)+|-|D(n)-|=max(0,D(n))-|min(0,D(n))|
D(n)+和D(n)-分别是距离0的最大正值和最小负值。
B.基于新抗原突变的mRNA表达分布,定量免疫编辑的逃逸信号(ESRNA);
对于单个样本使用z表示mRNA表达,为了减少潜在异常值的影响,首先转换为秩z’,并进一步标准化为r=|P/2-z’|+1,使秩围绕1对称(P是样本中的突变数),并使秩分布的两个尾部的权重更重。然后得到了两个累积分布,对于作为新抗原的突变:
对于非新抗原的非同义突变:
其中S是一组新抗原突变,r是标准化后的秩,然后构建了一个类似于K-S统计量的统计量:
T=Dneo(S,i)-Dnotneo(S,i)
类似地,可以从这个统计量距离0的最大正值和最小负值绝对值的差得到新抗原富集评分(ES):
ES=max(0,T)-|min(0,T)|
如图1所示,为基于分布模式方法量化癌症进化中新抗原介导的负选择流程图。图a中,为基于CCF分布定量免疫编辑消除阶段选择压力的详细步骤;图b为基于mRNA分布定量免疫编辑逃逸阶段选择压力的详细步骤图;图c为随机模拟获得ES的空分布。对于每个样本,对突变标记进行置换(即随机选取与样本中观察到的突变数目相同的突变数目,并将它们标记为新抗原突变)并计算ES值,该过程重复2000次,将实际得到ES值与模拟值进行比较。
如图2所示,为量化免疫编辑信号(ESCCF和ESRNA)的泛癌分布和特征图。图a中,ESCCF在泛癌(左)和特定癌症类型(右)中的分布。p值是根据模拟的中值ES分布计算的。ns:p>0.05,*:p<=0.05,**:p<=0.01,***:p<=0.001,****:p<=0.0001。图b中,去除具有位于同一基因中的新抗原和驱动突变的样本后,ESCCF在泛癌(左)和特定癌症类型(右)中的分布。p值是根据模拟的中值ES分布计算的。图c中,ESRNA在泛癌(左)和特定癌症类型(右)中的分布。p值是根据模拟的中值ES分布计算的。图d中,从左到右,分别为图a、图b和图c的模拟中值ES分布和观察到的中值ES。图e中,为肿瘤基因组图谱TCGA癌症类型的中值ESRNA和ESCCF之间的相关性。显示了Pearson相关系数和p值。图f中,TCGA癌症类型中逃逸样本的百分比(ESRNA<0和p<0.05)与中值ESCCF之间的相关性。展示了Pearson相关系数和p值。
如图3所示,为免疫编辑清除信号(ESCCF)和新抗原介导的负选择强度(s)量化分析。图a中,ESCCF可以作为新抗原介导的负选择强度s的函数(从100个模拟肿瘤中计算得出),对于每个指定的选择强度s,模拟测序深度为200×,观察到的TCGA样品的中值ESCCF用水平虚线表示;图b中,在每个选择强度s中具有显著ESCCF(FDR校正p值小于0.1)的肿瘤样本在100个模拟肿瘤中的比例。
实施例
取病人肿瘤组织样本,提取基因组DNA,进行全外显子(WES)或Panel基因高通量测序,利用本发明提供的方法计算每位病人的免疫编辑逃逸信号(ESCCF)。在单变量Cox比例风险回归分析中,量化的ESCCF值与癌症患者的生存率显著相关(p=0.03),低ESCCF值(表明存在高免疫编辑-消除信号)与改善的免疫检查点抑制剂(ICI)治疗临床反应(风险比)相关(HR)=3.74,95%CI=1.11-12.6(如图4中图a)。根据ESCCF值将患者分为三组,具有最低ESCCF值的患者(表明存在免疫编辑消除信号)在ICI免疫治疗后具有最长的生存预期(如图4中图b)。使用逻辑回归来比较ESCCF、肿瘤突变负荷(TMB)和新抗原突变计数在预测免疫治疗临床反应方面的效果。分析预后(有临床反应或无临床反应的患者)与ESCCF、TMB和新抗原突变计数之间的关系。拟合优度通过Hosmer-Lemeshow检验(H-L检验)进行。TMB的H-L检验P值为0.051(如图4中图c的中间图),接近0.05,暗示预测和期望之间的差异接近显著。ESCCF的H-L检验P值为0.771(如图4中图c的左侧图),高于TMB和新抗原计数的H-L检验P值,表明ESCCF比TMB和新抗原计数更适合预测癌症患者免疫治疗的临床效果。这表明,量化的免疫编辑消除信号可以作为ICI临床反应预测的更好的生物标志物。
如图4所示,为量化免疫编辑清除信号(ESCCF)预测癌症免疫治疗临床反应。图4中的图a,为进行单变量Cox回归分析以估计与ESCCF值相关的风险比(HR)。水平线的长度代表95%置信区间(CI),垂直虚线代表HR=1;图b中,Kaplan-Meier总生存曲线显示了按ESCCF值分层的不同组之间的比较。ESCCF值高于截止值(-0.222,由“survminer”包的surv_cutpoint函数确定)的样本被归类为“高”组,而ESCCF值小于截止值的样本被归类为“低”组,其余样本(没有新抗原或最低CCF高于0.6)被归类为“其他”组;图c中,拟合优度通过Hosmer-Lemeshow检验进行,表明ESCCF比TMB或新抗原负荷更适合于预测肿瘤患者的免疫治疗临床效果。
以上所述,仅为本发明的较佳实施例,并非对本发明任何形式上和实质上的限制,应当指出,对于本技术领域的普通技术人员,在不脱离本发明的前提下,还将可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员,在不脱离本发明的精神和范围的情况下,当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变,均仍属于本发明的技术方案的范围内。
Claims (5)
1.一种肿瘤样本免疫编辑状态定量方法,其特征在于:包括以下清除和平衡阶段两个方面的免疫编辑信号定量步骤:
步骤1:基于新抗原突变的CCF分布定量免疫编辑的清除信号ESCCF;
步骤1.1:首先对病人的癌症样本和正常样本配对检测体细胞突变,使用的工具为Mutect2,并获取每个突变的CCF信息,使用的工具为ABSOLUTE;
步骤1.2:确定每个病人的HLA等位基因分型,使用的工具为Optitype;
步骤1.3:对每个体细胞突变预测其产生的9肽和MHC-I的亲和力,使用的工具为NetMHCpan,如果一个突变产生的多肽中有和MHC-I的亲和力IC50小于50nM,IC50在随机肽中的排序低于0.5%并且突变位点所在的基因表达,单位为TPM,大于1,那么这个突变位点就被标记为可以产生新抗原的位点;
步骤1.4:计算新抗原富集分数ES;
步骤1.4.1:将整个CCF范围0-1平均分为100个区间,按降序排列;并为每个区间分配一个秩值,从100到1;为了使秩分布的两个尾部的权重更重,进一步对秩进行了标准化:
R是标准化后的秩,L是区间的数量,r是原始的秩;
步骤1.4.2:然后计算每个区间m(i)中的突变数量,并根据突变计数m(i)和区间秩值R(i)为每个区间分配一个值a(i):
步骤1.4.3:通过从上到下游走来计算随机变量a(i)的经验累计分布F:
步骤1.4.4:然后,分别为单个样本的新抗原突变F_N(n)和非新抗原突变F_M(n)构建了两个分布,通过取两个分布的距离来获得类似Kolmogorov–Smirnov,K-S统计量的统计量:D=FN(n)-FM(n);接着就可以根据这个统计量计算新抗原富集分数ES:
ES=|D(n)+|-|D(n)-|=max(0,D(n))-|min(0,D(n))|
D(n)+和D(n)-分别是距离0的最大正值和最小负值;
步骤2:基于新抗原突变的mRNA表达分布定量免疫编辑的逃逸信号ESRNA;
对于单个样本使用z表示mRNA表达,为了减少潜在异常值的影响,首先转换为秩z’,并进一步标准化为r=|P/2-z’|+1,使秩围绕1对称,P是样本中的突变数,并使秩分布的两个尾部的权重更重。然后得到了两个累积分布,对于作为新抗原的突变:
对于非新抗原的非同义突变:
其中S是一组新抗原突变,r是标准化后的秩,然后构建一个类似于K-S统计量的统计量:
T=Dneo(S,i)-Dnotneo(S,i)
类似地,从这个统计量距离0的最大正值和最小负值绝对值的差得到新抗原富集评分ES:
ES=max(0,T)-|min(0,T)|
2.根据权利要求1所述的一种肿瘤样本免疫编辑状态定量方法的应用。
3.根据权利要求2所述的一种肿瘤样本免疫编辑状态定量方法的应用,其特征在于:所述应用包括在制备用于预测肿瘤病人的免疫治疗效果的诊断试剂盒中的应用。
4.根据权利要求2所述的一种肿瘤样本免疫编辑状态定量方法的应用,其特征在于:所述应用包括在制备治疗肿瘤的药物上的应用。
5.根据权利要求2所述的一种肿瘤样本免疫编辑状态定量方法的应用,其特征在于:所述应用包括在肿瘤新抗原疫苗设计中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532372.5A CN114141304B (zh) | 2021-12-15 | 2021-12-15 | 一种肿瘤样本免疫编辑状态定量方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532372.5A CN114141304B (zh) | 2021-12-15 | 2021-12-15 | 一种肿瘤样本免疫编辑状态定量方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114141304A CN114141304A (zh) | 2022-03-04 |
CN114141304B true CN114141304B (zh) | 2024-04-30 |
Family
ID=80382485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111532372.5A Active CN114141304B (zh) | 2021-12-15 | 2021-12-15 | 一种肿瘤样本免疫编辑状态定量方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114141304B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020077128A1 (en) * | 2018-10-11 | 2020-04-16 | Nantomics, Llc | Tumor hla mutation versus matched normal hla |
CN113053458A (zh) * | 2021-01-19 | 2021-06-29 | 深圳裕康医学检验实验室 | 一种肿瘤新生抗原负荷的预测方法及装置 |
-
2021
- 2021-12-15 CN CN202111532372.5A patent/CN114141304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020077128A1 (en) * | 2018-10-11 | 2020-04-16 | Nantomics, Llc | Tumor hla mutation versus matched normal hla |
CN113053458A (zh) * | 2021-01-19 | 2021-06-29 | 深圳裕康医学检验实验室 | 一种肿瘤新生抗原负荷的预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
高志博 ; 杨锦 ; .肿瘤精准免疫治疗与基因检测.生物产业技术.2017,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114141304A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5955557B2 (ja) | 膵臓腫瘍形成の根底にある経路および遺伝性の膵癌遺伝子 | |
CN110305964B (zh) | 一种前列腺癌患者预后复发风险预测标志工具及其风险评估模型的建立 | |
CN110423816B (zh) | 乳腺癌预后量化评估系统及应用 | |
US20110224908A1 (en) | Gene signature for diagnosis and prognosis of breast cancer and ovarian cancer | |
CN109402254A (zh) | 一种预测胰腺癌术后生存的LncRNA模型及检测试剂盒 | |
JP2022009848A (ja) | 扁平上皮がんに対する化学放射線療法の有効性を評価するための方法 | |
Zhuang et al. | Identification of an individualized immune-related prognostic risk score in lung squamous cell cancer | |
CA2889276A1 (en) | Method for identifying a target molecular profile associated with a target cell population | |
Zhang et al. | Tumor infiltrating M2 macrophages could predict biochemical recurrence of localized prostate cancer after radical prostatectomy | |
Peng et al. | Identification of a novel prognostic signature of genome instability-related LncRNAs in early stage lung adenocarcinoma | |
CN113544288A (zh) | 用于预测肝癌复发的dna甲基化标志物及其用途 | |
CN104975082B (zh) | 一组用于评估肺癌预后的基因及其应用 | |
CN114141304B (zh) | 一种肿瘤样本免疫编辑状态定量方法及其应用 | |
AU2020344187A1 (en) | Novel biomarkers and diagnostic profiles for prostate cancer integrating clinical variables and gene expression data | |
Philip et al. | AT cell repertoire timestamp is at the core of responsiveness to CTLA-4 blockade | |
Liu et al. | Prognostic and immunological value of GNB4 in gastric cancer by analyzing TCGA database | |
TW201827603A (zh) | 用於膀胱癌預後的生物標記物組合 | |
Liu et al. | Prediction of unfavourable response to checkpoint blockade in lung cancer patients through an integrated tumour-immune expression score | |
Liu et al. | Dysregulation of tumor microenvironment promotes malignant progression and predicts risk of metastasis in bladder cancer | |
Zhang et al. | Identification and verification of a 17 immune-related gene pair prognostic signature for colon cancer | |
Gao et al. | The joint role of methylation and immune-related lncRNAs in ovarian cancer: Defining molecular subtypes and developing prognostic signature | |
JP6982032B2 (ja) | 多発性骨髄腫のためのgep5モデル | |
Xu et al. | The role of CCR2 in prognosis of patients with endometrial cancer and tumor microenvironment remodeling | |
Shen et al. | Construction and validation of a bladder cancer risk model based on autophagy-related genes | |
Yan et al. | Integrated analysis of single-cell and bulk RNA sequencing data reveals the association between hypoxic tumor cells and exhausted T cells in predicting immune therapy response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |