DOI: https://doi.org/10.3389/fimmu.2026.1722117
PMID: https://pubmed.ncbi.nlm.nih.gov/41716398
تاريخ النشر: 2026-02-04
المؤلف: Yu Ran Cai وآخرون
الموضوع الرئيسي: علاج السرطان المناعي وعلامات البيولوجية
نظرة عامة
تقدم البحث CNNeo، وهو نموذج جديد قائم على التعلم العميق للتنبؤ بالنيوانتجينات المناعية، إلى جانب CNNeoPP، وهو خط أنابيب حسابي متكامل لاكتشاف النيوانتجينات. يستخدم CNNeo تمثيلات تسلسلية مستمدة من نماذج اللغة الكبيرة ويجمع بين تكامل الميزات متعددة الأنماط، مما يظهر قدرات تنبؤية متفوقة مقارنة بالأساليب الحالية. تم التحقق من صحة النموذج بدقة باستخدام مجموعات بيانات مستقلة، بما في ذلك مجموعة بيانات TESLA، ومن خلال التحقق التجريبي باستخدام اختبارات ELISpot لخلايا T.
بالإضافة إلى ذلك، استكشفت دراسة إثبات المفهوم استخدام الحمض النووي الخالي من البلازما (cfDNA) للتنبؤ بالنيوانتجينات بشكل غير جراحي، كاشفة أن زيادة عمق التسلسل تعزز بشكل كبير من قابلية اكتشاف النيوانتجينات، وهو ما تدعمه استراتيجية الأولويات الخاصة بـ CNNeoPP. تختتم الدراسة بإنشاء CNNeoDB، وهو قاعدة بيانات متاحة للجمهور تجمع بيانات النيوانتجينات من مصادر متنوعة. بشكل عام، تؤكد النتائج على إمكانيات CNNeo وCNNeoPP في تحسين العلاج المناعي للسرطان وتسهيل مراقبة الأورام المعتمدة على خزعة السائل، مع توفر CNNeoPP للاستخدام العام على https://github.com/AaronChen007/neoantigen.
مقدمة
تناقش المقدمة النيوانتجينات، وهي مستضدات محددة للأورام ناتجة عن طفرات جسدية أو بروتينات فيروسية، وإمكاناتها في العلاج المناعي للسرطان بسبب ارتفاع قدرتها المناعية وتعبيرها الحصري في خلايا الورم. تكتسب العلاجات المعتمدة على النيوانتجينات، مثل اللقاحات الشخصية وعلاجات خلايا T المتبناة، زخماً، مع تقدم في تطبيقاتها السريرية واستخدام النيوانتجينات لمراقبة استجابات العلاج المناعي. إن اكتشاف النيوانتجينات من خلال تقنيات خزعة السائل، وخاصة تحليل الحمض النووي الخالي من خلايا الورم (cfDNA)، يقدم استراتيجية واعدة غير جراحية لتتبع تطور الورم وإبلاغ قرارات العلاج.
على الرغم من التقدم في تقنيات التسلسل من الجيل التالي (NGS) لتحديد المتغيرات الفردية النووية الجسدية (SNVs)، التي تشكل حوالي 80% من النيوانتجينات، لا تزال هناك تحديات في التنبؤ بدقة بالنيوانتجينات. غالباً ما تركز النماذج الحسابية الحالية على تقارب ارتباط الببتيد-MHC مع تجاهل عوامل المناعية الحرجة. تمتلك الأساليب التقليدية للتعلم الآلي قيوداً في التقاط تعقيدات التعرف المناعي. لمعالجة هذه القضايا، يقترح المؤلفون نموذجاً قائماً على التعلم العميق، CNNeo، الذي يستخدم تقنيات ترميز تسلسلي متقدمة ويجمع بين تسلسلات ببتيد النيوانتجين مع معلومات أليل مستضد الكريات البيضاء البشرية (HLA). كما يقدمون CNNeoPP، وهو خط أنابيب شامل يجمع بين معالجة بيانات NGS وتصنيف النيوانتجينات، مما يعزز اكتشاف النيوانتجينات من البلازما cfDNA ويدعم تطوير العلاجات المناعية الشخصية للسرطان.
طرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة للتحقق التجريبي من أداة التنبؤ بالنيوانتجينات CNNeoPP من خلال اختبارات خلايا T IFN-g. استخدمت الدراسة عينات من سرطان الثدي والرئة، حيث تم إجراء تخليق الببتيد بواسطة شركة GenScript Biotech Corporation وتنفيذ الاختبار بواسطة Baizhen Biotechnologies. تم اختيار ما مجموعه 50 نيوانتجين للتحقق، تتكون من 27 مرشحاً حصرياً لـ CNNeoPP و23 تتداخل مع النماذج الحالية. تضمنت اختبارات ELISpot استخدام خلايا الدم المحيطية المتطابقة مع HLA (PBMCs) وشملت ضوابط لمقارنة الخلفية. تضمنت بروتوكولات الاختبار تحفيز الببتيد، والحضانة مع الأجسام المضادة للكشف، وتطوير اللون لعد النقاط.
أشارت النتائج إلى أنه من بين 50 نيوانتجين تم اختبارها، استجابت 29 (58%) لاستجابة مناعية، مع 24 تظهر استجابة ضعيفة و5 تظهر استجابة قوية. من الجدير بالذكر أن الببتيدات التي تم التنبؤ بها حصرياً بواسطة CNNeoPP أظهرت معدل مناعية أعلى مقارنة بتلك التي تم التنبؤ بها بالتزامن مع نماذج أخرى، حيث أظهرت 59.3% استجابة ضعيفة و11.1% استجابة قوية. تؤكد هذه النتائج على القدرة التنبؤية المتفوقة لـ CNNeoPP في تحديد النيوانتجينات التي يمكن أن تحفز استجابات خلايا T بفعالية، كما يتضح من النسبة الأعلى من الاستجابات الإيجابية في اختبارات ELISpot.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في المقاييس المستهدفة، كما يتضح من أحجام التأثير والقيم p المبلغ عنها.
بالإضافة إلى ذلك، يتضمن القسم تمثيلات رسومية للبيانات، توضح الاتجاهات والأنماط التي تدعم الفرضيات المطروحة في المقدمة. يتم وضع النتائج في سياق الأدبيات الحالية، مما يبرز أهميتها وإمكاناتها للتطبيقات العملية والبحث المستقبلي. بشكل عام، تقدم النتائج أدلة مقنعة تعزز الفهم في هذا المجال وتقترح طرقاً لمزيد من الاستكشاف.
مناقشة
في هذه الدراسة، قام المؤلفون بتطوير والتحقق من CNNeoPP، وهو خط أنابيب جديد للتنبؤ بالنيوانتجينات مصمم لتعزيز العلاج المناعي الشخصي للسرطان من خلال تحديد النيوانتجينات المناعية بدقة من عينات الورم. شملت البحث جمع عينات من سرطان الثدي والرئة، واستخراج الحمض النووي الجينومي والحمض النووي الريبي، واستخدام مجموعة بيانات شاملة من الببتيدات المعتمدة لتدريب النماذج التنبؤية. سلطت الدراسة الضوء على أهمية الخصائص الفيزيائية والكيميائية المختلفة، كاشفة أن الببتيدات المناعية كانت في الغالب 9-ميرات وأظهرت تركيبات أحماض أمينية مميزة مقارنة بالببتيدات غير المناعية. تضمنت الميزات التنبؤية الرئيسية المحددة كفاءة نقل TAP وتقارب ارتباط الببتيد-HLA، والتي كانت حاسمة في أداء النموذج.
أظهر خط أنابيب CNNeoPP دقة متفوقة في تحديد النيوانتجينات، لا سيما في دراسة إثبات المفهوم باستخدام عينات cfDNA، حيث تمكن من التقاط الببتيدات المناعية بفعالية على الرغم من التحديات التي تفرضها انخفاض محتوى الورم. تشير النتائج إلى أنه بينما يمكن أن تعزز زيادة عمق التسلسل اكتشاف النيوانتجينات، قد تكون هناك استراتيجيات إضافية ضرورية لتحقيق الأداء الأمثل. يدعم إنشاء CNNeoDB، وهو قاعدة بيانات للنيوانتجينات متاحة للجمهور، البحث والتطوير المستمر في هذا المجال من خلال السماح للباحثين بمشاركة والوصول إلى بيانات النيوانتجينات القيمة. بشكل عام، تعالج هذه الدراسة الحواجز الحرجة في ترجمة العلاج المناعي الشخصي للسرطان إلى الممارسة السريرية، مما يبرز إمكانيات CNNeoPP في تعزيز اكتشاف النيوانتجينات.
DOI: https://doi.org/10.3389/fimmu.2026.1722117
PMID: https://pubmed.ncbi.nlm.nih.gov/41716398
Publication Date: 2026-02-04
Author(s): Yu Ran Cai et al.
Primary Topic: Cancer Immunotherapy and Biomarkers
Overview
The research introduces CNNeo, a novel deep learning-based model for predicting immunogenic neoantigens, alongside CNNeoPP, an integrated computational pipeline for neoantigen discovery. CNNeo utilizes sequence representations derived from large language models and incorporates multi-modal feature integration, demonstrating superior predictive capabilities compared to existing methodologies. The model was rigorously validated using independent datasets, including the TESLA dataset, and through experimental validation with ELISpot T-cell assays.
Additionally, a proof-of-concept study explored the use of plasma cell-free DNA (cfDNA) for non-invasive neoantigen prediction, revealing that increased sequencing depth significantly enhances neoantigen detectability, a finding further supported by CNNeoPP’s prioritization strategy. The study culminates in the creation of CNNeoDB, a publicly accessible database compiling neoantigen data from various sources. Overall, the findings underscore the potential of CNNeo and CNNeoPP to optimize cancer immunotherapy and facilitate liquid biopsy-based tumor monitoring, with CNNeoPP available for public use at https://github.com/AaronChen007/neoantigen.
Introduction
The introduction discusses neoantigens, which are tumor-specific antigens resulting from somatic mutations or viral proteins, and their potential in cancer immunotherapy due to their high immunogenicity and exclusive expression in tumor cells. Neoantigen-based therapies, such as personalized vaccines and adoptive T cell therapies, are gaining traction, with advancements in their clinical applications and the use of neoantigens to monitor immunotherapy responses. The detection of neoantigens through liquid biopsy techniques, particularly tumor cell-free DNA (cfDNA) analysis, presents a promising non-invasive strategy for tracking tumor evolution and informing treatment decisions.
Despite the progress in next-generation sequencing (NGS) technologies for identifying somatic single nucleotide variants (SNVs), which constitute about 80% of neoantigens, challenges remain in accurately predicting neoantigens. Current computational models often focus on peptide-MHC binding affinity while overlooking critical immunogenicity factors. Traditional machine learning approaches have limitations in capturing the complexities of immune recognition. To address these issues, the authors propose a deep learning-based model, CNNeo, which utilizes advanced sequence encoding techniques and integrates neoantigen peptide sequences with human leukocyte antigen (HLA) allele information. They also introduce CNNeoPP, a comprehensive pipeline that combines NGS data processing with neoantigen classification, enhancing the discovery of neoantigens from plasma cfDNA and supporting the development of personalized cancer immunotherapies.
Methods
In this section, the authors describe the methods used for the experimental validation of the CNNeoPP neoantigen prediction tool through IFN-g T-cell assays. The study utilized breast and lung cancer samples, with peptide synthesis conducted by GenScript Biotech Corporation and assay execution by Baizhen Biotechnologies. A total of 50 neoantigens were selected for validation, comprising 27 candidates exclusive to CNNeoPP and 23 overlapping with existing models. The ELISpot assays involved the use of HLA-matched peripheral blood mononuclear cells (PBMCs) and included controls for background comparison. The assay protocol involved peptide stimulation, incubation with detection antibodies, and color development for spot counting.
The results indicated that out of the 50 neoantigens tested, 29 (58%) elicited an immune response, with 24 showing a weak response and 5 demonstrating a strong response. Notably, peptides predicted exclusively by CNNeoPP exhibited a higher immunogenicity rate compared to those predicted in conjunction with other models, with 59.3% showing a weak response and 11.1% a strong response. These findings underscore the superior predictive capability of CNNeoPP in identifying neoantigens that can effectively stimulate T-cell responses, as evidenced by the higher proportion of positive responses in the ELISpot assays.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the target metrics, as evidenced by the reported effect sizes and p-values.
Additionally, the section includes graphical representations of the data, illustrating trends and patterns that support the hypotheses posited in the introduction. The findings are contextualized within the existing literature, underscoring their relevance and potential implications for future research and practical applications. Overall, the results provide compelling evidence that advances understanding in the field and suggests avenues for further exploration.
Discussion
In this study, the authors developed and validated CNNeoPP, a novel neoantigen prediction pipeline designed to enhance personalized cancer immunotherapy by accurately identifying immunogenic neoantigens from tumor samples. The research involved collecting breast and lung cancer samples, extracting genomic DNA and RNA, and utilizing a comprehensive dataset of validated peptides to train predictive models. The study highlighted the importance of various physicochemical properties, revealing that immunogenic peptides were predominantly 9-mers and exhibited distinct amino acid compositions compared to non-immunogenic peptides. Key predictive features identified included TAP transport efficiency and peptide-HLA binding affinity, which were instrumental in the model’s performance.
The CNNeoPP pipeline demonstrated superior accuracy in identifying neoantigens, particularly in a proof-of-concept study using cfDNA samples, where it effectively captured immunogenic peptides despite the challenges posed by lower tumor content. The findings suggest that while increased sequencing depth can enhance neoantigen detection, additional strategies may be necessary for optimal performance. The establishment of CNNeoDB, a publicly accessible neoantigen database, further supports ongoing research and development in this field by allowing researchers to share and access valuable neoantigen data. Overall, this study addresses critical barriers in translating personalized cancer immunotherapy into clinical practice, emphasizing the potential of CNNeoPP in advancing neoantigen discovery.