对癌症免疫疗法的合成反应的灵敏检测,由基因同类对驱动

科学领域:

• 基因组学和生物信息学
• 癌症免疫学 癌症免疫学
• 计算生物学 计算生物学

背景情况:

• 癌症免疫疗法,如免疫检查点阻塞 (ICB) 和仿真抗原受体T细胞 (CAR-T) 疗法,已经改变了癌症治疗,但面临着患者反应和复发的挑战.
• 目前使用CRISPR屏幕识别单基因标以增强T细胞功能的策略,由于癌细胞复杂的多基因免疫抑制途径,其成功程度有限.
• 类似基因,来自共同祖先的基因具有相似的功能,在增强免疫疗法方面是一个尚未探索的领域,尽管它们在癌细胞存活和复杂的表型效应方面具有已知的作用.

研究的目的:

• 开发一种计算方法来识别癌症内在的对应对应对对,这些对应对可以协同增强T细胞介导的瘤破坏.
• 创建一个集体学习模型,用于预测可能提高免疫疗法的效率的相对对对.
• 通过实验验证预测paralog对在增强癌症免疫治疗中的功能意义.

主要方法:

• 利用使用 sgRNA 集丰富分析的计算方法来识别潜在的癌症内在对.
• 开发了一种集体学习模型 (XGBoost分类器),整合了基因特征,序列/结构相似性,蛋白质-蛋白质相互作用网络和基因共同进化的数据以进行预测.
• 通过双重淘汰赛 (DKO) 实验验证了预测的帕洛格对,比较它们对单基因淘汰赛 (SKOs) 的有效性.

主要成果:

• 鉴定出新型帕拉洛格对,有可能协同增强T细胞介导的瘤破坏.
• 集体学习模型成功地预测了基于集成特征的可改善免疫治疗疗效的相对对应对对对.
• 实验验证证证实了已识别的同位素对的功能意义,与单基因向相比,证明了免疫治疗效果的增强.

结论:

• 开发的计算和集体学习方法提供了一种敏感的方法,用于识别以前未被检测到的可增强癌症免疫疗法的对.
• 针对特定的帕洛格对提供了一个有希望的策略,以克服单基因向的局限性,并改善患者对现有免疫疗法的反应.
• 这项研究为发现协同目标开辟了新的途径,以提高癌症免疫疗法的疗效,即使个体基因调制的影响有限.