[发明专利]一种肿瘤新抗原预测方法、预测装置及存储介质

说明书

本发明涉及一种基于染色质高级构象与深度稀疏学习的肿瘤新抗原预测方法、预测装置及存储介质，该方法发明了基于组选择的深度神经网络预测模型，并通过训练数据对该模型进行训练，获得待预测对象(即潜在的肿瘤新抗原肽)的免疫原性预测值；其中，所述深度神经网络预测模型进行训练时采用的每个样本包括染色质3D构象信息和基于多肽氨基酸序列产生的特征。与现有技术相比，本发明具有预测精度高、预测方便等优点。

技术领域

本发明涉及肿瘤个性化免疫治疗当中的新抗原预测领域，尤其是涉及一种基于染色质高级构象与深度稀疏学习的肿瘤新抗原预测方法、预测装置及存储介质。

背景技术

目前肿瘤患者的常规治疗主要依赖非个体化的手术切除、放化疗、靶向药物治疗等手段，但这些常规手段存在很多问题，如治疗不彻底、副作用大、易使肿瘤转移耐药等，仅短暂延长肿瘤患者的生存期。

近年来，通过肿瘤患者自身的免疫系统靶向患者肿瘤细胞进行肿瘤免疫治疗的方法进入了人们的视野。在个体化肿瘤免疫治疗中，发挥关键作用的肿瘤患者特异靶标分子被称为肿瘤新抗原。肿瘤新抗原的本质是蛋白质，由肿瘤基因组突变产生，因含有非同义突变，与异常表达的肿瘤自体蛋白抗原不同。在体内，肿瘤新抗原能够被自身免疫系统识别为外来抗原，不受中枢耐受影响，从而使自身免疫系统特异性靶向患者肿瘤细胞。因此，将肿瘤新抗原制备成疫苗或多肽制剂进行肿瘤免疫治疗，可以选择性杀灭肿瘤细胞，安全性高，效果显著。而在这一策略中，准确高效地在众多可能区分肿瘤和正常组织的肽段中个体化地选择预期疗效好的肿瘤新抗原尤为关键。但目前的肿瘤新抗原的选择技术还存在较多技术问题，如选择工作量大、精度不高等。

基因组学在过去二十余年的蓬勃发展为肿瘤研究提供了强有力的支持。人们通过对比肿瘤细胞与正常细胞的基因组，发现了许多与肿瘤发生发展密切相关的遗传变异，并部分揭示了肿瘤发生发展中这些遗传变异的分子机制，这为发展新型肿瘤诊断、分型、预后以及指导临床治疗提供了有力的技术支撑。在肿瘤基因组的体细胞突变方面，人们发现染色质上的单个突变往往不能引起肿瘤，几乎每个肿瘤患者的肿瘤细胞经过检测都能发现众多的遗传和表观遗传变异，包括数个至数百个基因突变共同存在，染色体易位伴随基因突变，多个位置的染色体拷贝数变异等，这些都非常常见。越来越多的证据显示，这些伴随出现(同时或先后出现)的遗传变异有其内在规律，一些基因突变常伴随另一些基因突变而并非随机发生，这种伴随发生的基因突变其内在的遗传学结构基础尚不十分清楚，但是弄清相关机制将为深入认识肿瘤发生发展分子机制，尤其为认识肿瘤发展中遗传事件发生的因果关系奠定了理论基础，为肿瘤新抗原的准确选择提供有效手段，进而为肿瘤诊疗提供一定依据。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、预测方便的基于染色质高级构象与深度稀疏学习的肿瘤新抗原预测方法、预测装置及存储介质。

本发明的目的可以通过以下技术方案来实现：

一种基于染色质高级构象与深度稀疏学习的肿瘤新抗原预测方法，该方法通过一经训练的基于组选择的深度神经网络预测模型对待预测对象进行处理，获得与所述待预测对象对应的肿瘤新抗原免疫原性信息；

其中，所述深度神经网络预测模型进行训练时采用的每个样本包括染色质3D构象信息和基于多肽氨基酸序列产生的特征。

进一步地，每个所述样本的特征数量级为数千个级。

样本的每个特征都属于某个组，在所述神经网络模型训练中，某一组内的特征或者全部被选中，或者全部被剔除。

进一步地，所述基于组选择的深度神经网络预测模型的输出包括具有激活免疫原性的新抗原以及与该新抗原关联度最高的若干个特征。

进一步地，所述基于组选择的深度神经网络预测模型采用全连接层形式。

进一步地，所述染色质3D构象信息来源于通过Hi-C(染色质构象俘获技术)实验获得的细胞染色质3D构象热力图矩阵。