跳到正文
方法与工具Cell Genomics · 新抗原预测模型开发与验证

NeoBridge：基于生物物理学信息的胰腺癌新抗原优先级排序与克隆结构分析

NeoBridge: Biophysics-informed neoantigen prioritization and clonal architecture profiling in pancreatic cancer.

一句话提出NeoBridge用于新抗原优先级排序，并在胰腺癌中分析新抗原负荷与生存的关联。

研究问题

结合生物物理学相关特征的混合集成模型，能否准确识别具有免疫原性的新抗原并实现跨癌种泛化？PDAC患者的亚克隆新抗原负荷是否与生存相关？

数据与样本

模型训练使用11,188个经实验验证的新抗原，并在留出数据及跨癌种数据中评估。生存关联分析纳入118例系统发育关系已解析且随访完整的PDAC患者。

分析流程

  1. 1构建特征：纳入HLA结合与加工、differential agretopicity、肿瘤新抗原丰度和TCR识别潜能4个维度。
  2. 2训练模型：使用11,188个经实验验证的新抗原，将梯度提升与深度神经网络整合为NeoBridge。
  3. 3评估预测性能：在留出数据和跨癌种数据上评估AUC，并与现有工具比较。
  4. 4分析预测特征：识别模型中的主要预测特征。
  5. 5开展临床关联分析：在118例系统发育关系已解析且随访完整的PDAC患者中，评估亚克隆新抗原负荷与无进展生存期及总生存期的关联。

关键方法与工具

NeoBridge
新抗原优先级排序
gradient boosting
构建混合集成模型
deep neural network
构建混合集成模型
AUC-ROC
评估预测性能

设计思路

以经实验验证的新抗原作为训练材料，将4类生物学特征整合进混合集成模型，并通过留出数据、跨癌种评估及现有工具对比考察预测性能。另在系统发育关系已解析且随访完整的PDAC患者中分析亚克隆新抗原负荷与生存的关联，将模型研究与临床关联分析衔接。

主要发现

  • NeoBridge在留出数据上的AUC-ROC为0.904，跨癌种泛化评估的AUC为0.73-0.82，其中胰腺癌为0.82，且优于现有工具。
  • Differential agretopicity是最主要的预测特征。
  • 在118例PDAC患者中，亚克隆新抗原负荷与较差的无进展生存期（p < 0.001）和总生存期（p = 0.038）相关。

可借鉴之处

  • 开发新抗原预测模型时，可借鉴本文按生物学环节组织特征的做法，将HLA结合与加工、差异性抗原呈递能力、丰度和TCR识别潜能共同纳入。
  • 模型评估可借鉴本文同时使用留出数据、跨癌种测试和现有工具比较的框架，分别考察预测性能与泛化能力。
  • 研究新抗原负荷与预后的关系时，可借鉴本文结合已解析的系统发育关系，专门考察亚克隆新抗原负荷的做法。

数据与代码

摘要和已读取的内容里没有说明，请查看原文的数据可得性声明。

局限

  • 研究发现仍属于假设生成性质，需要前瞻性的免疫肽组学和功能验证。
  • 患者中的生存关联分析不能确定亚克隆新抗原负荷与预后之间的因果关系。

摘要（中文翻译）

准确识别具有免疫原性的新抗原仍是个体化癌症疫苗开发的瓶颈，在胰腺导管腺癌（PDAC）等低突变负荷肿瘤中尤其如此。我们开发了NeoBridge，这是一种混合集成模型，将梯度提升与深度神经网络相结合，涵盖4个具有生物学依据的特征维度：HLA结合与加工、差异性抗原呈递能力（differential agretopicity）、肿瘤新抗原丰度以及TCR识别潜能。NeoBridge使用11,188个经实验验证的新抗原进行训练，在留出数据上的受试者工作特征曲线下面积（AUC-ROC）达到0.904，并具有跨癌种泛化能力（AUC: 0.73-0.82），其中在胰腺癌中为0.82，且优于现有工具。差异性抗原呈递能力是最主要的预测特征。在118例系统发育关系已解析且随访完整的PDAC患者中，亚克隆新抗原负荷与较差的无进展生存期（p < 0.001）和总生存期（p = 0.038）相关。这些发现用于提出假设，仍需前瞻性的免疫肽组学和功能验证。

英文原文摘要

Accurate identification of immunogenic neoantigens remains a bottleneck in personalized cancer vaccine development, particularly in low-mutation-burden tumors such as pancreatic ductal adenocarcinoma (PDAC). We developed NeoBridge, a hybrid ensemble integrating gradient boosting and a deep neural network across four biologically grounded feature dimensions: HLA binding and processing, differential agretopicity, tumor neoantigen abundance, and TCR recognition potential. Trained on 11,188 experimentally validated neoantigens, NeoBridge achieved an area under the receiver operating characteristic curve (AUC-ROC) of 0.904 on held-out data, with cross-cancer generalization (AUC: 0.73-0.82), including 0.82 in pancreatic cancer, and outperformed established tools. Differential agretopicity emerged as the dominant predictive feature. In 118 PDAC patients with resolved phylogenies and complete follow up, subclonal neoantigen load was associated with worse progression-free survival (p < 0.001) and overall survival (p = 0.038). These findings are hypothesis generating and require prospective immunopeptidomic and functional validation.

摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。