深度学习驱动的高可信度新抗原预测：DeepHLApan方法

"DeepHLApan是一种利用深度学习技术预测高置信度新抗原的方法，旨在改进当前仅关注HLA与肽结合的新抗原预测。该研究通过结合模型和免疫原性模型，全面评估了突变肽的呈现可能性和免疫反应性。在与最新免疫表位数据库(IEDB)基准数据集的比较中，DeepHLApan表现出色，并在实际应用中成功识别了具有预先存在T细胞React的突变。这项工作得到了国家重点研发计划和浙江省自然科学基金的支持。" 本文探讨了新抗原在癌症免疫治疗中的核心地位，新抗原是区分癌细胞与正常细胞的关键，对精准免疫治疗至关重要。现有的预测方法主要依赖于人类白细胞抗原(HLA)与肽的结合能力，但这种方法可能无法确保预测出的抗原具有高可信度。为解决这一问题，研究人员开发了DeepHLApan，这是一种结合了深度学习的创新方法，包括结合模型和免疫原性模型两部分。 结合模型利用深度学习技术预测突变肽与HLA的结合能力，其性能在与知名工具对比中表现出竞争力，甚至有所超越。而免疫原性模型则考虑了细胞表面肽-HLA复合物(pHLA)的免疫原性，这对于确定新抗原是否能触发免疫反应至关重要。通过对有限的免疫原性数据的利用，DeepHLApan显著提升了高置信度新抗原的鉴定效率。 在实际应用中，该方法被应用于分析具有预先存在T细胞React的突变，结果显示，超过69%的此类突变在高表达水平（每百万转录本 TPM>2）下位于预测的前20名，这表明DeepHLApan对于识别可能引起免疫响应的突变更加准确。 这项研究强调了新抗原诱导T细胞反应的复杂性，并认为在预测过程中必须考虑pHLA的免疫原性。此外，由于无需伦理批准，且作者声明无利益冲突，这为DeepHLApan的应用提供了清晰的路径。 关键词涉及深度学习、新抗原、循环神经网络、人类白细胞抗原和癌症免疫学，表明该研究是这些领域的交叉，且可能对未来的癌症免疫疗法研究产生深远影响。