1. 从“大海捞针”到“精准制导”新抗原预测为何成为肿瘤免疫治疗的关键如果你在肿瘤免疫治疗或者生物信息学领域待过一段时间一定会对“新抗原”这个词不陌生。它听起来有点学术但背后的逻辑其实很直接我们的免疫系统就像一支精锐部队而癌细胞是伪装潜入的叛军。这支精锐部队识别叛军的主要方式就是看它们身上有没有特殊的“身份牌”——也就是抗原。大多数癌细胞和正常细胞长得太像免疫系统容易“脸盲”。但有一类抗原是癌细胞独有的由基因突变产生正常细胞里压根没有这就是“新抗原”。找到它就等于拿到了叛军的精准画像可以指导免疫系统进行“定点清除”。这就是新抗原预测的核心价值所在。它不是一个单一的软件或算法而是一整套从原始数据到最终候选名单的计算工作流程。想象一下你手头有一份肿瘤样本和一份正常样本的基因测序数据里面是数十亿个碱基对的序列。新抗原预测工作流要做的就是从这片数据的汪洋大海里捞出那些由非同义突变产生的、能被MHC分子呈递的、并且能激活T细胞的短肽序列。这个过程无异于一场精密的“分子考古”和“免疫学推演”。我接触这个领域快十年了从最早的手动拼接各种脚本到如今相对成熟的流程化工具踩过的坑不计其数。很多人以为有了现成的流程点点鼠标就能出结果但实际情况远非如此。一个可靠的新抗原预测其计算工作流程至少涉及突变识别、HLA分型、肽段-MHC结合亲和力预测、免疫原性评估等多个关键环节每个环节的工具选择、参数设置、结果解读都充满了学问。今天我就结合自己的实战经验把这套工作流程里里外外拆解一遍不仅告诉你“怎么做”更重点分享“为什么这么做”以及“哪些地方最容易翻车”。2. 工作流程全景图四大核心模块的协同作战在深入每个模块之前我们必须先建立起一个全局视野。一个新抗原预测的计算工作流程本质上是一个多步骤的过滤和优先级排序管道。原始数据通常是肿瘤和配对的正常组织的全外显子组或全基因组测序数据经过这个管道层层筛选最终输出一个按可能性排序的新抗原候选列表。整个流程可以清晰地划分为四个核心模块它们环环相扣体细胞突变检测模块这是整个流程的基石。目标是从肿瘤测序数据中准确地找出那些在正常组织中不存在的基因突变。这里的输出是一份突变列表包括单核苷酸变异SNV、小的插入缺失InDel等。HLA分型模块免疫系统通过主要组织相容性复合体MHC在人类中称为HLA分子来呈递抗原肽。不同个体的HLA基因型别分型千差万别这直接决定了哪些肽段能被呈递。因此我们必须从测序数据中推断出样本的HLA分型。肽段-MHC结合预测模块对于突变位点我们需要将其翻译成可能的多肽序列通常是8-11个氨基酸长。然后利用计算模型预测这些肽段与患者特定HLA型别结合的强弱。结合亲和力高的肽段才有机会被呈递到细胞表面。免疫原性预测与优先级排序模块能结合不等于能激活免疫。最后一步我们需要评估这些候选肽段触发T细胞免疫反应即免疫原性的潜力。同时结合突变的功能重要性、表达水平等多维度信息对候选新抗原进行综合打分和排序。下面这个表格概括了每个模块的核心任务、常用工具及其输出方便你快速建立认知框架模块核心任务关键输入常用工具/方法举例核心输出1. 突变检测识别肿瘤特异性体细胞突变肿瘤 正常样本的BAM文件Mutect2, Strelka2, VarScan2VCF文件包含SNV, InDel2. HLA分型推断患者的HLA-I/II类基因型肿瘤或正常样本的BAM/FASTQ文件OptiType, Polysolver, HLA-HDHLA基因型列表如HLA-A*02:013. pMHC结合预测预测突变肽段与HLA的结合亲和力突变列表、HLA分型结果NetMHC系列pan, stabpan, MHCflurry每个肽段与每个HLA等位基因的结合得分如IC50, %Rank4. 免疫原性 排序评估T细胞激活潜力并综合排序结合预测结果、RNA-seq表达量等NetCTLpan, PRIME, 或自定义评分模型带综合评分的新抗原候选列表注意这个流程主要针对由基因编码区突变产生的新抗原。对于由基因融合、非编码区突变或转录后修饰产生的新抗原需要额外或不同的分析模块本文聚焦于最主流、最经典的流程。3. 模块一体细胞突变检测——一切分析的起点与最大误差源突变检测的准确性直接决定了后续所有分析的可靠性。这里最大的误区是认为“用默认参数跑一遍流程就行了”。实际上这是最容易引入系统性偏差的环节。3.1 工具选型没有银弹只有组合拳目前主流的三款工具是GATK Mutect2、Strelka2和VarScan2。它们基于不同的统计模型各有优劣Mutect2基于贝叶斯模型在肿瘤纯度较高、测序深度足够时表现稳健对Indel检测较好是许多流程的首选。Strelka2采用基于等位基因频率的联合分型模型在低频率突变检测上可能更敏感。VarScan2基于启发式过滤和统计检验速度较快配置相对简单。我的经验是不要只依赖一个工具。在实际项目中我通常会采用至少两种工具进行交叉验证。例如用Mutect2进行主呼叫然后用Strelka2的结果作为补充只取两者交集或经过严格过滤的并集。这样可以大幅降低假阳性率。一个常见的组合是Mutect2 - 与Strelka2取交集 - 使用bcftools filter或自定义脚本进行深度、频率、质量等过滤。3.2 输入数据准备BAM文件处理的魔鬼细节突变检测工具的输入是比对后的BAM文件。这里有几个关键点常被忽略标记重复序列必须使用如Picard或GATK的MarkDuplicates工具处理。重复读取来自PCR扩增或光学重复不标记会导致等位基因频率估算错误。碱基质量重校准测序仪本身的系统误差会导致碱基质量分数不准。GATK的BaseRecalibrator和ApplyBQSR步骤可以校正这一点这对依赖质量分数的突变检测器如Mutect2尤为重要。肿瘤与正常样本的协调性确保肿瘤和正常样本的BAM文件使用了完全相同的参考基因组版本、比对工具和参数。一个细微的不一致都可能导致大量假阳性“突变”。3.3 过滤策略平衡敏感性与特异性的艺术工具输出的原始VCF文件包含大量假阳性突变。过滤是门艺术过严会丢失真实信号假阴性过松则后续分析负担沉重且不可靠。我通常会实施一个多层次过滤流水线工具内置过滤首先通过工具自带的过滤器如Mutect2的FilterMutectCalls。通用硬过滤使用bcftools filter或SnpSift设置阈值例如QUAL 20变异质量DP 10总深度肿瘤和正常均需考虑AF 0.05等位基因频率在肿瘤中在正常样本中AF 0.02确保是体细胞突变数据库过滤利用gnomAD等人群频率数据库过滤掉在健康人群中频率较高的常见多态性位点通常设定频率0.1%或1%。功能注释与筛选使用ANNOVAR、SnpEff或VEP对突变进行注释。我们只关心编码区的非同义突变所以会过滤掉同义突变、内含子区、UTR区等。这一步会淘汰掉约90%的突变但它们是无效信号。实操心得过滤参数没有金标准。我建议先用一个已知突变的数据集如细胞系混合样本测试你的流程根据召回率和精确度微调阈值。另外务必保存过滤前后的突变数量统计这是衡量数据质量和流程严格度的重要指标。4. 模块二HLA分型——决定呈递格局的“锁芯”如果把新抗原比作“钥匙”那么HLA分子就是“锁芯”。钥匙能不能用首先得看锁芯的型号。HLA分型的准确性至关重要错误的分型会导致后续所有结合预测完全偏离方向。4.1 分型原理与工具选择从序列到型别HLA分型工具如OptiType、Polysolver的工作原理是从测序数据中提取覆盖HLA基因区域的读取与已知的HLA等位基因序列数据库进行比对通过统计模型或枚举法推断出最有可能的HLA型别。它们通常支持从RNA-seq或WES/WGS数据中分型。OptiType采用整数线性规划模型将分型问题转化为优化问题结果非常精确尤其对HLA-I类基因A, B, C支持很好是目前很多流程的默认选择。Polysolver较早的工具基于外显子捕获和贝叶斯模型也较为常用。HLA-HD对二代测序数据支持较好能给出高分辨率的4位数字分型如A*02:01。我的建议是首选OptiType进行HLA-I类分型。如果条件允许可以用另一个工具如HLA-HD进行验证。对于HLA-II类基因DP, DQ, DR分型更复杂准确度相对低一些工具支持也不如I类完善需要特别注意。4.2 关键注意事项与验证输入数据质量分型工具对覆盖HLA基因区域的测序深度很敏感。WES数据由于捕获探针设计在HLA区域覆盖可能不均匀。WGS或RNA-seq数据通常更好。务必检查工具输出的覆盖度报告。分辨率问题临床或研究需求可能需要高分辨率分型4位或8位数字。OptiType通常输出2位或4位。要明确你的下游预测工具如NetMHC需要什么分辨率。大多数工具需要4位分型。验证如果样本来源允许强烈建议用湿实验方法如PCR-SSO、测序对关键样本的HLA分型进行验证至少是随机抽查。计算分型在极端罕见等位基因或数据质量差时可能出错。杂合子与纯合子正确识别HLA位点是杂合两个不同的等位基因还是纯合两个相同的等位基因很重要。纯合子意味着该位点只有一种“锁芯”预测时需要考虑到这一点。5. 模块三pMHC结合预测——计算免疫学的核心战场这是新抗原预测中最具计算生物学特色的部分。我们需要为每个过滤后的非同义突变生成可能的多肽序列并预测它们与患者HLA分子的结合强度。5.1 肽段生成从突变到候选肽对于一个点突变我们需要考虑该突变在蛋白质序列上下文中的所有可能肽段。通常我们会以突变氨基酸为中心分别向上游和下游延伸生成一系列固定长度的肽段如8、9、10、11聚体。例如对于一个SNV我们会生成包含该突变位置的所有可能长度的肽段。这里的一个关键决策是是否包含野生型正常序列的肽段答案是必须包含。因为我们需要对比突变肽段和野生型肽段与HLA的结合差异。一个强结合的突变肽段如果其对应的野生型肽段结合也很强那么它被免疫系统有效识别的可能性就会降低因为胸腺阴性选择可能已清除了针对该野生型肽段的T细胞。5.2 预测算法与工具实战当前主流的预测工具NetMHC、NetMHCpan、MHCflurry都基于机器学习模型它们通过大量已知的结合数据训练预测新肽段的结合亲和力。NetMHC/NetMHCpan经典工具基于人工神经网络。NetMHC针对已知等位基因NetMHCpan可预测任何等位基因。输出指标包括IC50半最大抑制浓度数值越小结合越强和%Rank与随机肽段库相比的排名0.5%或2%常作为强结合阈值。MHCflurry基于深度神经网络长短期记忆网络LSTM在某些等位基因上表现可能优于NetMHCpan且支持本地化部署和训练速度较快。如何选择对于常规分析NetMHCpan 4.0或更新版本是一个稳健的起点。MHCflurry 2.0因其易用性和性能也越来越受欢迎。我个人的流程中会并行运行两者观察结果的一致性。运行预测时你需要准备一个FASTA文件包含所有需要预测的肽段序列突变型和野生型。患者的HLA等位基因列表。选择肽段长度通常为8-11。一个典型的MHCflurry命令如下# 假设 peptides.fasta 包含肽段 alleles.txt 包含HLA型别 mhcflurry-predict peptides.fasta --alleles-file alleles.txt --out predictions.csv输出文件会包含每个肽段-等位基因对的预测结合亲和力IC50和%Rank。5.3 阈值设定强结合不等于新抗原这是最大的误解之一。预测工具给出的“强结合剂”strong binder只是一个必要条件远非充分条件。通常的初筛阈值是IC50 50 nM或%Rank 0.5对于NetMHCpan强结合剂IC50 500 nM或%Rank 2弱结合剂我们首先会筛选出突变肽段为强/弱结合剂而对应的野生型肽段结合很弱如IC50 5000 nM或不是结合剂的肽段。这一步筛选能排除大量“假性新抗原”。踩坑实录不要盲目迷信低IC50值。我曾遇到一个突变肽段预测IC50值极低10nM看起来是绝佳候选。但进一步检查发现该突变位于一个表达量极低的基因上FPKM 1。没有表达蛋白都无法合成何谈呈递因此必须结合表达量数据。6. 模块四免疫原性预测与综合排序——从“能结合”到“能激活”经过前三步我们得到了一份“可能被呈递”的肽段列表。但最终目标是找到那些“能激活T细胞免疫反应”的新抗原。这一步不确定性最大也是当前研究的焦点。6.1 免疫原性预测模型免疫原性Immunogenicity指肽段引发T细胞反应的能力。它不仅仅取决于pMHC结合强度还涉及T细胞受体TCR识别肽段-MHC复合物的结构是否容易被TCR识别。抗原加工肽段能否被蛋白酶体切割、被TAP转运。同源野生型肽段的耐受性如前所述如果野生型肽段也存在可能导致中枢耐受。一些工具尝试整合这些因素NetCTLpan在结合亲和力基础上加入了蛋白酶体切割和TAP转运效率的预测。PRIME一个更复杂的模型整合了结合亲和力、序列特征等来预测免疫原性。pVACtools等流程会计算突变肽段与野生型肽段的差异差异越大逃避免疫耐受的可能性越高。然而必须清醒认识到目前所有的计算免疫原性预测模型其准确率都远未达到临床可靠的水平。它们更多是提供一种相对的优先级排序参考。6.2 多维度信息整合排序因此一个更务实的策略是构建一个综合评分体系整合多个维度的证据对候选新抗原进行排序。我常用的评分维度包括结合亲和力权重最高突变肽段的%Rank或IC50值标准化为0-1的分数。突变肽与野生型肽的结合差异计算两者结合分数的比值或差值差异越大分数越高。基因表达水平从RNA-seq数据获取突变基因的TPM或FPKM值。没有表达一切归零。可以设置一个表达阈值如TPM 1并进行对数转换后评分。突变等位基因频率在肿瘤样本中的突变频率VAF。VAF越高意味着表达该突变蛋白的癌细胞比例越高作为靶点的价值可能越大。突变的功能重要性通过注释如SIFT, PolyPhen判断突变是否可能影响蛋白功能。有害突变可能更关键但这不是绝对标准。肽段-MHC复合物稳定性预测除了结合亲和力复合物在细胞表面的半衰期稳定性也影响免疫原性。工具有NetMHCstabpan。克隆性来自体细胞进化树分析是否为克隆性突变存在于所有癌细胞中。亚克隆突变可能因免疫编辑而丢失。你可以为每个维度分配权重计算一个加权总分。例如综合得分 0.4*结合分数 0.2*表达分数 0.2*VAF分数 0.1*差异分数 0.1*其他...这个权重需要根据你的研究目标和经验调整。最终输出是一个按综合得分降序排列的表格前20-50个候选者通常会被优先考虑进行下游实验验证如肽段合成、T细胞功能实验。6.3 流程自动化与可重复性手动执行以上所有步骤是不现实的。因此需要使用工作流管理系统将其自动化。我的选择是Snakemake基于Python规则定义清晰非常适合生物信息学流程。它能优雅地处理复杂的依赖关系和集群投递。Nextflow基于Groovy/DSL声明式语法内置强大的容错和重试机制对Docker/容器支持极好。pVACtools如果你想要一个开箱即用、集成了多个预测工具和排序方法的专用套件这是一个很好的选择。它封装了从VCF到最终排名的许多步骤。无论选择哪种核心是保证流程的可重复性。必须使用容器Docker/Singularity封装所有工具和依赖并严格管理软件版本。每次运行都应记录完整的参数和版本信息。7. 验证、局限性与未来展望计算预测的终点是湿实验验证。最常见的验证方法是合成排名靠前的候选肽段在体外用患者的免疫细胞如外周血单个核细胞PBMC进行刺激通过ELISpot、细胞内因子染色等技术检测抗原特异性T细胞反应。预测排名与实验验证结果的相关性是评估你整个工作流程效能的黄金标准。必须承认当前的计算新抗原预测流程存在明显局限假阴性/假阳性算法不完美会漏掉真实新抗原也会推荐无效候选。HLA-II类预测不成熟对CD4 T细胞重要的HLA-II类新抗原预测准确度远低于I类。忽略转录后修饰如磷酸化、糖基化产生的新抗原无法被当前基于序列的流程捕获。肿瘤异质性活检样本可能无法代表所有肿瘤克隆预测的新抗原可能只针对部分癌细胞。未来的方向包括整合多组学数据如质谱检测到的实际呈递肽段数据、应用更复杂的深度学习模型、以及结合单细胞测序来理解肿瘤微环境中的免疫状态。但无论如何进化一个严谨、透明、可重复的计算工作流程始终是连接基因组数据与免疫治疗应用的桥梁。构建这个流程的过程本身就是对肿瘤免疫学深刻理解的一次实践。
肿瘤免疫治疗新抗原预测：从计算工作流程到实战解析
1. 从“大海捞针”到“精准制导”新抗原预测为何成为肿瘤免疫治疗的关键如果你在肿瘤免疫治疗或者生物信息学领域待过一段时间一定会对“新抗原”这个词不陌生。它听起来有点学术但背后的逻辑其实很直接我们的免疫系统就像一支精锐部队而癌细胞是伪装潜入的叛军。这支精锐部队识别叛军的主要方式就是看它们身上有没有特殊的“身份牌”——也就是抗原。大多数癌细胞和正常细胞长得太像免疫系统容易“脸盲”。但有一类抗原是癌细胞独有的由基因突变产生正常细胞里压根没有这就是“新抗原”。找到它就等于拿到了叛军的精准画像可以指导免疫系统进行“定点清除”。这就是新抗原预测的核心价值所在。它不是一个单一的软件或算法而是一整套从原始数据到最终候选名单的计算工作流程。想象一下你手头有一份肿瘤样本和一份正常样本的基因测序数据里面是数十亿个碱基对的序列。新抗原预测工作流要做的就是从这片数据的汪洋大海里捞出那些由非同义突变产生的、能被MHC分子呈递的、并且能激活T细胞的短肽序列。这个过程无异于一场精密的“分子考古”和“免疫学推演”。我接触这个领域快十年了从最早的手动拼接各种脚本到如今相对成熟的流程化工具踩过的坑不计其数。很多人以为有了现成的流程点点鼠标就能出结果但实际情况远非如此。一个可靠的新抗原预测其计算工作流程至少涉及突变识别、HLA分型、肽段-MHC结合亲和力预测、免疫原性评估等多个关键环节每个环节的工具选择、参数设置、结果解读都充满了学问。今天我就结合自己的实战经验把这套工作流程里里外外拆解一遍不仅告诉你“怎么做”更重点分享“为什么这么做”以及“哪些地方最容易翻车”。2. 工作流程全景图四大核心模块的协同作战在深入每个模块之前我们必须先建立起一个全局视野。一个新抗原预测的计算工作流程本质上是一个多步骤的过滤和优先级排序管道。原始数据通常是肿瘤和配对的正常组织的全外显子组或全基因组测序数据经过这个管道层层筛选最终输出一个按可能性排序的新抗原候选列表。整个流程可以清晰地划分为四个核心模块它们环环相扣体细胞突变检测模块这是整个流程的基石。目标是从肿瘤测序数据中准确地找出那些在正常组织中不存在的基因突变。这里的输出是一份突变列表包括单核苷酸变异SNV、小的插入缺失InDel等。HLA分型模块免疫系统通过主要组织相容性复合体MHC在人类中称为HLA分子来呈递抗原肽。不同个体的HLA基因型别分型千差万别这直接决定了哪些肽段能被呈递。因此我们必须从测序数据中推断出样本的HLA分型。肽段-MHC结合预测模块对于突变位点我们需要将其翻译成可能的多肽序列通常是8-11个氨基酸长。然后利用计算模型预测这些肽段与患者特定HLA型别结合的强弱。结合亲和力高的肽段才有机会被呈递到细胞表面。免疫原性预测与优先级排序模块能结合不等于能激活免疫。最后一步我们需要评估这些候选肽段触发T细胞免疫反应即免疫原性的潜力。同时结合突变的功能重要性、表达水平等多维度信息对候选新抗原进行综合打分和排序。下面这个表格概括了每个模块的核心任务、常用工具及其输出方便你快速建立认知框架模块核心任务关键输入常用工具/方法举例核心输出1. 突变检测识别肿瘤特异性体细胞突变肿瘤 正常样本的BAM文件Mutect2, Strelka2, VarScan2VCF文件包含SNV, InDel2. HLA分型推断患者的HLA-I/II类基因型肿瘤或正常样本的BAM/FASTQ文件OptiType, Polysolver, HLA-HDHLA基因型列表如HLA-A*02:013. pMHC结合预测预测突变肽段与HLA的结合亲和力突变列表、HLA分型结果NetMHC系列pan, stabpan, MHCflurry每个肽段与每个HLA等位基因的结合得分如IC50, %Rank4. 免疫原性 排序评估T细胞激活潜力并综合排序结合预测结果、RNA-seq表达量等NetCTLpan, PRIME, 或自定义评分模型带综合评分的新抗原候选列表注意这个流程主要针对由基因编码区突变产生的新抗原。对于由基因融合、非编码区突变或转录后修饰产生的新抗原需要额外或不同的分析模块本文聚焦于最主流、最经典的流程。3. 模块一体细胞突变检测——一切分析的起点与最大误差源突变检测的准确性直接决定了后续所有分析的可靠性。这里最大的误区是认为“用默认参数跑一遍流程就行了”。实际上这是最容易引入系统性偏差的环节。3.1 工具选型没有银弹只有组合拳目前主流的三款工具是GATK Mutect2、Strelka2和VarScan2。它们基于不同的统计模型各有优劣Mutect2基于贝叶斯模型在肿瘤纯度较高、测序深度足够时表现稳健对Indel检测较好是许多流程的首选。Strelka2采用基于等位基因频率的联合分型模型在低频率突变检测上可能更敏感。VarScan2基于启发式过滤和统计检验速度较快配置相对简单。我的经验是不要只依赖一个工具。在实际项目中我通常会采用至少两种工具进行交叉验证。例如用Mutect2进行主呼叫然后用Strelka2的结果作为补充只取两者交集或经过严格过滤的并集。这样可以大幅降低假阳性率。一个常见的组合是Mutect2 - 与Strelka2取交集 - 使用bcftools filter或自定义脚本进行深度、频率、质量等过滤。3.2 输入数据准备BAM文件处理的魔鬼细节突变检测工具的输入是比对后的BAM文件。这里有几个关键点常被忽略标记重复序列必须使用如Picard或GATK的MarkDuplicates工具处理。重复读取来自PCR扩增或光学重复不标记会导致等位基因频率估算错误。碱基质量重校准测序仪本身的系统误差会导致碱基质量分数不准。GATK的BaseRecalibrator和ApplyBQSR步骤可以校正这一点这对依赖质量分数的突变检测器如Mutect2尤为重要。肿瘤与正常样本的协调性确保肿瘤和正常样本的BAM文件使用了完全相同的参考基因组版本、比对工具和参数。一个细微的不一致都可能导致大量假阳性“突变”。3.3 过滤策略平衡敏感性与特异性的艺术工具输出的原始VCF文件包含大量假阳性突变。过滤是门艺术过严会丢失真实信号假阴性过松则后续分析负担沉重且不可靠。我通常会实施一个多层次过滤流水线工具内置过滤首先通过工具自带的过滤器如Mutect2的FilterMutectCalls。通用硬过滤使用bcftools filter或SnpSift设置阈值例如QUAL 20变异质量DP 10总深度肿瘤和正常均需考虑AF 0.05等位基因频率在肿瘤中在正常样本中AF 0.02确保是体细胞突变数据库过滤利用gnomAD等人群频率数据库过滤掉在健康人群中频率较高的常见多态性位点通常设定频率0.1%或1%。功能注释与筛选使用ANNOVAR、SnpEff或VEP对突变进行注释。我们只关心编码区的非同义突变所以会过滤掉同义突变、内含子区、UTR区等。这一步会淘汰掉约90%的突变但它们是无效信号。实操心得过滤参数没有金标准。我建议先用一个已知突变的数据集如细胞系混合样本测试你的流程根据召回率和精确度微调阈值。另外务必保存过滤前后的突变数量统计这是衡量数据质量和流程严格度的重要指标。4. 模块二HLA分型——决定呈递格局的“锁芯”如果把新抗原比作“钥匙”那么HLA分子就是“锁芯”。钥匙能不能用首先得看锁芯的型号。HLA分型的准确性至关重要错误的分型会导致后续所有结合预测完全偏离方向。4.1 分型原理与工具选择从序列到型别HLA分型工具如OptiType、Polysolver的工作原理是从测序数据中提取覆盖HLA基因区域的读取与已知的HLA等位基因序列数据库进行比对通过统计模型或枚举法推断出最有可能的HLA型别。它们通常支持从RNA-seq或WES/WGS数据中分型。OptiType采用整数线性规划模型将分型问题转化为优化问题结果非常精确尤其对HLA-I类基因A, B, C支持很好是目前很多流程的默认选择。Polysolver较早的工具基于外显子捕获和贝叶斯模型也较为常用。HLA-HD对二代测序数据支持较好能给出高分辨率的4位数字分型如A*02:01。我的建议是首选OptiType进行HLA-I类分型。如果条件允许可以用另一个工具如HLA-HD进行验证。对于HLA-II类基因DP, DQ, DR分型更复杂准确度相对低一些工具支持也不如I类完善需要特别注意。4.2 关键注意事项与验证输入数据质量分型工具对覆盖HLA基因区域的测序深度很敏感。WES数据由于捕获探针设计在HLA区域覆盖可能不均匀。WGS或RNA-seq数据通常更好。务必检查工具输出的覆盖度报告。分辨率问题临床或研究需求可能需要高分辨率分型4位或8位数字。OptiType通常输出2位或4位。要明确你的下游预测工具如NetMHC需要什么分辨率。大多数工具需要4位分型。验证如果样本来源允许强烈建议用湿实验方法如PCR-SSO、测序对关键样本的HLA分型进行验证至少是随机抽查。计算分型在极端罕见等位基因或数据质量差时可能出错。杂合子与纯合子正确识别HLA位点是杂合两个不同的等位基因还是纯合两个相同的等位基因很重要。纯合子意味着该位点只有一种“锁芯”预测时需要考虑到这一点。5. 模块三pMHC结合预测——计算免疫学的核心战场这是新抗原预测中最具计算生物学特色的部分。我们需要为每个过滤后的非同义突变生成可能的多肽序列并预测它们与患者HLA分子的结合强度。5.1 肽段生成从突变到候选肽对于一个点突变我们需要考虑该突变在蛋白质序列上下文中的所有可能肽段。通常我们会以突变氨基酸为中心分别向上游和下游延伸生成一系列固定长度的肽段如8、9、10、11聚体。例如对于一个SNV我们会生成包含该突变位置的所有可能长度的肽段。这里的一个关键决策是是否包含野生型正常序列的肽段答案是必须包含。因为我们需要对比突变肽段和野生型肽段与HLA的结合差异。一个强结合的突变肽段如果其对应的野生型肽段结合也很强那么它被免疫系统有效识别的可能性就会降低因为胸腺阴性选择可能已清除了针对该野生型肽段的T细胞。5.2 预测算法与工具实战当前主流的预测工具NetMHC、NetMHCpan、MHCflurry都基于机器学习模型它们通过大量已知的结合数据训练预测新肽段的结合亲和力。NetMHC/NetMHCpan经典工具基于人工神经网络。NetMHC针对已知等位基因NetMHCpan可预测任何等位基因。输出指标包括IC50半最大抑制浓度数值越小结合越强和%Rank与随机肽段库相比的排名0.5%或2%常作为强结合阈值。MHCflurry基于深度神经网络长短期记忆网络LSTM在某些等位基因上表现可能优于NetMHCpan且支持本地化部署和训练速度较快。如何选择对于常规分析NetMHCpan 4.0或更新版本是一个稳健的起点。MHCflurry 2.0因其易用性和性能也越来越受欢迎。我个人的流程中会并行运行两者观察结果的一致性。运行预测时你需要准备一个FASTA文件包含所有需要预测的肽段序列突变型和野生型。患者的HLA等位基因列表。选择肽段长度通常为8-11。一个典型的MHCflurry命令如下# 假设 peptides.fasta 包含肽段 alleles.txt 包含HLA型别 mhcflurry-predict peptides.fasta --alleles-file alleles.txt --out predictions.csv输出文件会包含每个肽段-等位基因对的预测结合亲和力IC50和%Rank。5.3 阈值设定强结合不等于新抗原这是最大的误解之一。预测工具给出的“强结合剂”strong binder只是一个必要条件远非充分条件。通常的初筛阈值是IC50 50 nM或%Rank 0.5对于NetMHCpan强结合剂IC50 500 nM或%Rank 2弱结合剂我们首先会筛选出突变肽段为强/弱结合剂而对应的野生型肽段结合很弱如IC50 5000 nM或不是结合剂的肽段。这一步筛选能排除大量“假性新抗原”。踩坑实录不要盲目迷信低IC50值。我曾遇到一个突变肽段预测IC50值极低10nM看起来是绝佳候选。但进一步检查发现该突变位于一个表达量极低的基因上FPKM 1。没有表达蛋白都无法合成何谈呈递因此必须结合表达量数据。6. 模块四免疫原性预测与综合排序——从“能结合”到“能激活”经过前三步我们得到了一份“可能被呈递”的肽段列表。但最终目标是找到那些“能激活T细胞免疫反应”的新抗原。这一步不确定性最大也是当前研究的焦点。6.1 免疫原性预测模型免疫原性Immunogenicity指肽段引发T细胞反应的能力。它不仅仅取决于pMHC结合强度还涉及T细胞受体TCR识别肽段-MHC复合物的结构是否容易被TCR识别。抗原加工肽段能否被蛋白酶体切割、被TAP转运。同源野生型肽段的耐受性如前所述如果野生型肽段也存在可能导致中枢耐受。一些工具尝试整合这些因素NetCTLpan在结合亲和力基础上加入了蛋白酶体切割和TAP转运效率的预测。PRIME一个更复杂的模型整合了结合亲和力、序列特征等来预测免疫原性。pVACtools等流程会计算突变肽段与野生型肽段的差异差异越大逃避免疫耐受的可能性越高。然而必须清醒认识到目前所有的计算免疫原性预测模型其准确率都远未达到临床可靠的水平。它们更多是提供一种相对的优先级排序参考。6.2 多维度信息整合排序因此一个更务实的策略是构建一个综合评分体系整合多个维度的证据对候选新抗原进行排序。我常用的评分维度包括结合亲和力权重最高突变肽段的%Rank或IC50值标准化为0-1的分数。突变肽与野生型肽的结合差异计算两者结合分数的比值或差值差异越大分数越高。基因表达水平从RNA-seq数据获取突变基因的TPM或FPKM值。没有表达一切归零。可以设置一个表达阈值如TPM 1并进行对数转换后评分。突变等位基因频率在肿瘤样本中的突变频率VAF。VAF越高意味着表达该突变蛋白的癌细胞比例越高作为靶点的价值可能越大。突变的功能重要性通过注释如SIFT, PolyPhen判断突变是否可能影响蛋白功能。有害突变可能更关键但这不是绝对标准。肽段-MHC复合物稳定性预测除了结合亲和力复合物在细胞表面的半衰期稳定性也影响免疫原性。工具有NetMHCstabpan。克隆性来自体细胞进化树分析是否为克隆性突变存在于所有癌细胞中。亚克隆突变可能因免疫编辑而丢失。你可以为每个维度分配权重计算一个加权总分。例如综合得分 0.4*结合分数 0.2*表达分数 0.2*VAF分数 0.1*差异分数 0.1*其他...这个权重需要根据你的研究目标和经验调整。最终输出是一个按综合得分降序排列的表格前20-50个候选者通常会被优先考虑进行下游实验验证如肽段合成、T细胞功能实验。6.3 流程自动化与可重复性手动执行以上所有步骤是不现实的。因此需要使用工作流管理系统将其自动化。我的选择是Snakemake基于Python规则定义清晰非常适合生物信息学流程。它能优雅地处理复杂的依赖关系和集群投递。Nextflow基于Groovy/DSL声明式语法内置强大的容错和重试机制对Docker/容器支持极好。pVACtools如果你想要一个开箱即用、集成了多个预测工具和排序方法的专用套件这是一个很好的选择。它封装了从VCF到最终排名的许多步骤。无论选择哪种核心是保证流程的可重复性。必须使用容器Docker/Singularity封装所有工具和依赖并严格管理软件版本。每次运行都应记录完整的参数和版本信息。7. 验证、局限性与未来展望计算预测的终点是湿实验验证。最常见的验证方法是合成排名靠前的候选肽段在体外用患者的免疫细胞如外周血单个核细胞PBMC进行刺激通过ELISpot、细胞内因子染色等技术检测抗原特异性T细胞反应。预测排名与实验验证结果的相关性是评估你整个工作流程效能的黄金标准。必须承认当前的计算新抗原预测流程存在明显局限假阴性/假阳性算法不完美会漏掉真实新抗原也会推荐无效候选。HLA-II类预测不成熟对CD4 T细胞重要的HLA-II类新抗原预测准确度远低于I类。忽略转录后修饰如磷酸化、糖基化产生的新抗原无法被当前基于序列的流程捕获。肿瘤异质性活检样本可能无法代表所有肿瘤克隆预测的新抗原可能只针对部分癌细胞。未来的方向包括整合多组学数据如质谱检测到的实际呈递肽段数据、应用更复杂的深度学习模型、以及结合单细胞测序来理解肿瘤微环境中的免疫状态。但无论如何进化一个严谨、透明、可重复的计算工作流程始终是连接基因组数据与免疫治疗应用的桥梁。构建这个流程的过程本身就是对肿瘤免疫学深刻理解的一次实践。
