新药研发

肿瘤新抗原预测与排序

代表性HLA结合亲和力热图，由模拟数据生成用于版式展示。

模拟数据

此输出代表分析方法和可视化风格。实际项目结果取决于输入数据质量、样本量、HLA分型分辨率和验证策略。新抗原预测仅限研究用途，不用于临床患者选择。

项目问题

在肽段合成预算有限的情况下，哪些新抗原候选物应优先进入早期实验验证？

一个早期肿瘤免疫治疗研究项目需要筛选最适合推进到体外验证阶段的新抗原候选物。团队在肽段合成和实验测试方面存在预算约束，需要数据驱动的短名单来指导实验优先级排序。

面对数百条计算预测的新抗原，团队面临两个核心问题：(1) 哪些候选物在患者HLA类型中具备最强的免疫原性综合证据？(2) 在合成能力有限的情况下，如何对短名单进行排序，以最大化产生可检测T细胞应答的概率？

整合计算机模拟HLA结合预测、免疫原性评分、人群HLA频率加权和验证可行性评估。候选物按综合评分分层，并在每个排序维度上附注支持证据。

顶级候选物在多个HLA等位基因中表现出一致的高结合亲和力。人群频率加权揭示了一个具有更广泛队列代表性的子集。部分结合力强但免疫原性评分低的候选物被标记为降级。敏感性分析显示，在调整HLA频率阈值时排序保持稳定。

排序后的短名单使研究团队能够将有限的实验预算分配给产生阳性验证数据概率最高的候选物。这减少了合成和检测的浪费，加速了go/no-go决策时间线，并为内部研发讨论和投资者更新提供了有据可查的理由。

合成顶级肽段进行体外结合验证和T细胞激活检测。如果初步结果良好，扩展至中级候选物。记录HLA覆盖缺口，以便在补充患者队列后进行后续跟进。