WO2024101856A1 - 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치 - Google Patents

신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2024101856A1
WO2024101856A1 PCT/KR2023/017786 KR2023017786W WO2024101856A1 WO 2024101856 A1 WO2024101856 A1 WO 2024101856A1 KR 2023017786 W KR2023017786 W KR 2023017786W WO 2024101856 A1 WO2024101856 A1 WO 2024101856A1
Authority
WO
WIPO (PCT)
Prior art keywords
epitope
immunogenicity
mutant
predicting
calculated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2023/017786
Other languages
English (en)
French (fr)
Inventor
조윤성
전재훈
이황열
정옥성
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Geromics Inc
Invites Genomics Co Ltd
Original Assignee
Geromics Inc
Invites Genomics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Geromics Inc, Invites Genomics Co Ltd filed Critical Geromics Inc
Priority to EP23889114.7A priority Critical patent/EP4618089A4/en
Priority to CN202380077884.8A priority patent/CN120188218A/zh
Priority to JP2025526437A priority patent/JP2025540613A/ja
Publication of WO2024101856A1 publication Critical patent/WO2024101856A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/50—Mutagenesis

Definitions

  • the present invention relates to a method for predicting the immunogenicity of a neoantigen epitope and a device using the same. More specifically, a method for predicting the immunogenicity of a neoantigen epitope by comparing a mutated neoantigen epitope with the original epitope and the same. It is about the device used.
  • a neoantigen is an antigen that has undergone mutation and is expressed in tumor cells/tissues, but has the characteristic of not being expressed in normal cells.
  • immune cells recognize the modified sequence as a new antigen/epitope and trigger an immune response.
  • These neoantigens are used as therapeutic vaccines, immunotherapy, and predicting reactivity. MHC binding affinity, proteasomal cleavage, TAP transporter efficiency, pMHC stability, T-cell receptor interaction, etc.
  • the characteristics of neoantigen epitopes such as various factors involved in a number of biological processes and hydrophobicity, similarity to known epitopes, and dissimilarity to self-proteome, are real.
  • neoantigen epitopes showing CD8+ T-cell immunogenicity using an in silico method. Accordingly, the immunogenicity of neoantigen epitopes was predicted using various factors involved in biological processes caused by mutations and/or characteristics of neoantigen epitopes.
  • DAI Differential agretopicity index
  • DAI is defined as the ratio of the MHC affinity of a mutant epitope (or, may be referred to as a 'peptide') and the MHC affinity of a non-mutated or wild-type epitope. Rather than predicting immunogenicity using only the MHC affinity of a mutant epitope (neoepitope or mutant epitope), it may be more effective to predict immunogenicity using DAI. The reason is that not all mutant epitopes show immunogenicity even if certain factors such as MHC binding affinity are preferred. Even if the original epitope itself originally had a tendency to bind well to MHC, the immune system's negative selection/central tolerance process prevents an immune response from occurring against the self-epitope, that is, normal cells. It can act to prevent them from being attacked by immune cells. Therefore, measuring the difference in how the characteristics have changed due to mutation compared to the original epitope of a normal person can be very important in predicting the immunogenicity of the epitope.
  • mutant epitope not only affects the binding affinity, but can also affect various biological processes in which the epitope is involved in causing an immune response.
  • MHC binding affinity of the native and mutant epitopes is similar, the efficiency/response of proteasome fragmentation, TAP transporter efficiency, pMHC stability, and T-cell receptor interaction may vary due to mutation. there is.
  • the present invention provides a method for predicting the immunogenicity of a mutant epitope using a differential index (i.e., the ratio or difference between the measured values of the mutant epitope and the original epitope) for a number of biological processes and epitope/neoepitope characteristics, and a method for predicting the immunogenicity thereof. Suggestions for devices to use.
  • the method for predicting the immunogenicity of a mutant epitope includes calculating the degree to which each of the characteristics of the epitope and factors involved in the biological process for the mutant epitope affect the immunogenicity of the mutant epitope, Calculating the extent to which each of the elements involved in the biological process and the characteristics of the epitope for the corresponding native epitope affect the immunogenicity of the native epitope, the calculated value for the mutant epitope and the native epitope Calculating a differential index based on the value calculated for the mutant epitope, inputting the calculated value for the mutant epitope and the calculated differential index into a pre-trained artificial intelligence model to predict immunogenicity of the mutant epitope Steps may be included.
  • the method for predicting the immunogenicity of a mutant epitope according to the present invention involves at least standardizing and normalizing the calculated value for the mutant epitope and the calculated differential index before inputting the calculated value into the learned artificial intelligence model. One more step may be included.
  • the differential index is the ratio (RATIO) of the value calculated for the mutant epitope and the value calculated for the original epitope, and the value calculated for the mutant epitope. It may include at least one of the difference between the value and the value calculated for the original epitope.
  • the differential index includes phosphorylation, hydrophobicity, similarity to a known epitope, dissimilarity to a self-proteome, epitope stability, antigen processing, MHC I binding affinity, and pMHC. It may be a differential index for at least one of stability, immunity, inflammatory response, B-cell linear epitope, and B-cell abnormality epitope.
  • the step of calculating the degree to which each of the characteristics of the epitope and the factors involved in the biological process for the mutant epitope and the native epitope affect immunogenicity is an algorithm. , it may be a step of calculating using a program or tool.
  • the biological process consists of an antigen processing step, an antigen presentation step, an immune step, and a tumor microenvironment, and the elements involved in the tumor microenvironment include an inflammatory response, It may be at least one of a B-cell linear epitope and a B-cell abnormal epitope.
  • a computer-readable recording medium for predicting the immunogenicity of a mutant epitope according to the present invention may record a computer program for executing at least one of the methods described above.
  • the device for predicting the immunogenicity of a mutant epitope includes an input/output device that receives a mutant epitope or outputs a result of predicting the immunogenicity of the mutant epitope, and is involved in biological processes for the mutant epitope and the original epitope.
  • multiple biological processes and epitope/neoepitope characteristics caused by mutations can be considered in various aspects, and the immunogenicity of the mutant epitope can be predicted with higher accuracy than when immunogenicity is predicted using only the mutant epitope alone. can be predicted. Immunogenic epitopes predicted with high accuracy can be expected to result in higher efficacy and lower side effects when developing a neoantigen-based vaccine.
  • Figure 1 shows an example of a biological process in tumor cells.
  • Figure 2 illustrates the characteristics of neoantigens and elements of a number of biological processes that can affect the immunogenicity of neoantigens.
  • Figure 3 shows an example of the process of learning the immunogenicity of a mutant epitope using an artificial intelligence model.
  • Figure 4 shows an example of a process for predicting the immunogenicity of a mutant epitope using an artificial intelligence model.
  • Figure 5 shows an example of a configuration diagram of a device that predicts the immunogenicity of a mutant epitope using an artificial intelligence model.
  • each process/step that makes up the method may occur in a different order from the specified order unless a specific order is clearly stated in the context. That is, each process/step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the opposite order.
  • Figure 1 shows an example of a biological process in tumor cells.
  • the biological process of tumor cells may consist of an antigen processing step, an antigen presentation step, and an immunogenicity step.
  • the tumor microenvironment (TME) surrounding tumor cells can also affect biological processes and can be viewed as part of the biological processes of tumor cells.
  • the biological processes of tumor cells are the same or similar to those of normal cells, but at each stage, various factors may affect the production and/or properties of epitopes.
  • the antigen processing step is a step in which the DNA in the nucleus of the tumor cell is transcribed into mRNA and released into the cytoplasm, and the transcribed mRNA is transformed into a peptide and binds to MHC class I.
  • the DNA of tumor cells may be altered due to mutations or other causes.
  • the antigen presentation step is a step in which the peptide generated in the antigen processing step binds to MHC class I and is presented on the cell surface as a peptide-MHC complex.
  • the immunogenic phase is the phase in which the peptide-MHC complex presented on the cell surface is recognized by T cells.
  • the tumor microenvironment is the environment surrounding cells, which may be surrounded by blood vessels, immune cells, fibroblasts, bone marrow-derived inflammatory cells, lymphocytes, signaling molecules, and extracellular matrix. Tumor cells can influence the tumor microenvironment by releasing extracellular signals, promoting tumor cell angiogenesis, and inducing peripheral immune tolerance, etc.
  • the tumor microenvironment can also affect the growth or/and metastasis of tumor cells. .
  • the clonality of the sample can affect the immunogenicity of the epitope, the distribution/proportion of immune cells, tumor infiltrating lymphocytes, and RNA expression. ), etc. can also affect the immunogenicity of the generated epitope.
  • Figure 2 illustrates epitope characteristics and elements of a number of biological processes that can affect the immunogenicity of an epitope.
  • the properties of the epitope may also affect the immunogenicity of the epitope.
  • negative factors affecting the human body such as the toxicity and allergenicity of the epitope, can affect the immunogenicity of the epitope.
  • Factors that affect the immunogenicity of an epitope may affect one at a time, but may affect several simultaneously and/or sequentially.
  • epitope characteristics factors that can affect immunogenicity include functional impact by mutations, phosphorylation (PTM), hydrophobicity or physicochemical hydrophobicity, and similarity to known epitopes. epitopes, dissimilarity to self (human reference)-proteome, peptide stability, etc.
  • the functional impact of mutation is a factor that indicates the effect on protein function caused by somatic mutations that cause tumors.
  • Epitopes containing mutations with a large functional impact are naturally eliminated by existing immune cells, but epitopes containing mutations with a relatively small functional impact may show immunogenicity at a higher frequency.
  • programs called PROVEAN or/and PolyPhen-2 can be used, for example.
  • Phosphorylation is a factor that indicates the degree to which the MHC class I ligand of the epitope to predict immunogenicity is phosphorylated.
  • the NetMHCphosPan program can be used, for example.
  • Hydrophobicity is a factor that indicates whether the epitope for which immunogenicity is to be predicted is hydrophobic.
  • a program called ProtFP can be used to check the extent to which hydrophobicity affects the immunogenicity of an epitope.
  • Similarity to a known epitope is a factor that indicates whether the epitope for which immunogenicity is to be predicted is similar to an epitope known to be immunogenic (or non-immunogenic).
  • the blastP program can be used to determine the degree to which similarity to a known epitope affects the immunogenicity of the epitope.
  • Dissimilarity to the self-proteome using human reference is a factor that indicates whether the epitope for which immunogenicity is to be predicted is dissimilar to the self-proteome.
  • the self-proteome may be a human-referenced self-proteome.
  • the pairwise2 module of the Python Bio package To determine the extent to which dissimilarity to a human reference self-proteome affects the immunogenicity of an epitope, one can use, for example, the pairwise2 module of the Python Bio package.
  • Epitope stability is a factor that indicates the stability of the epitope itself. Previously, the binding stability of peptide-MHC was used, but the stability of the epitope itself was not used. If the stability of the epitope is low, the opportunity to bind/interact with MHC molecules is reduced, and the likelihood of immunogenicity may be low. For example, ProtParam can be used to determine the extent to which epitope stability affects the immunogenicity of the epitope.
  • proteasomal cleavage and/or TAP transporter efficiency can be used to predict the immunogenicity of an epitope.
  • the NetCTLpan program can be used, for example.
  • At least some of the MHC I binding affinity and/or pMHC stability can be used to predict the epitope that triggers an immune response.
  • MHC class I binding affinity is a factor that indicates the degree to which the epitope for which immunogenicity is to be predicted binds to MHC class I.
  • the programs NetMHCpan or/and MHCflurry can be used, for example.
  • pMHC stability is a factor representing the peptide-MHC stability of the epitope.
  • the NetMHCstabpan program can be used, for example.
  • immunogenicity can be used to predict epitopes that trigger an immune response.
  • immunogenicity affects the immunogenicity of an epitope, for example, at least one of IEDB, PRIME, DeepHLApan, and DeepImmuno can be used.
  • At least one of inflammatory response, B-cell linear epitope, and B-cell conformational epitope can be considered a factor predicting the epitope that induces an immune response.
  • Immune cells can regulate immune responses by secreting inflammatory substances such as cytokines. By calculating the ability of the epitope to induce these cytokines, if the epitope induces the cytokine excessively/underly, the immune response may be suppressed. To determine the extent to which the inflammatory response affects the immunogenicity of the epitope, for example, at least one of PIP-EL, AIPpred, and IFNepitope can be used.
  • B-cells can recognize both linear epitopes in the form of peptides and epitopes that are structurally abnormal in proteins.
  • the B-cell linear epitope is an element that indicates the possibility of being a linear epitope
  • the B-cell abnormal epitope is an element that indicates the possibility of an abnormal epitope.
  • the Bepipred program can be used to determine the extent to which B-cell linear epitopes affect the immunogenicity of an epitope, and to determine the extent to which B-cell linear epitopes affect the immunogenicity of an epitope. For example, you can use Discotope.
  • Figure 3 shows an example of the process of learning the immunogenicity of a mutant epitope using an artificial intelligence model.
  • Immunogenic mutant epitopes and non-immunogenic mutant epitopes may be previously published data and/or self-owned/produced data. Previously published data can typically be obtained using dbPepNeo, NEPdb, etc., and since the differential index between the mutant epitope and the original epitope must be calculated, data can be collected limited to tumor neoantigen epitopes. . In other words, epitopes derived from pathogens from which information on mutant epitopes and original epitopes cannot be extracted directly or indirectly can be excluded because the differential index cannot be calculated.
  • T-cell recognition tumor microenvironment
  • the factors that can calculate the differential index are phosphorylation, hydrophobicity, similarity to known epitopes, dissimilarity to self-proteomes, epitope stability, antigen processing, and MHC I binding affinity. , pMHC stability, immunity, inflammatory response, B-cell linear epitope, and B-cell morphological abnormality epitope.
  • antigen processing may be one factor, but may also be divided into two factors: proteasome fragmentation and TAP transporter efficiency.
  • Learning may be performed by integrating all elements simultaneously, or each element may be learned separately. For example, if there is insufficient data matching all elements, learning may be performed only on elements for which data exists.
  • Data to be input for learning can be values measured for each element using a program/algorithm/tool.
  • the program/algorithm/tool may be at least one of those described in FIG. 2, or may be developed separately. If one element is measured using multiple programs/algorithms/tools, each may be used as an input. In another example, multiple elements may be measured and input with one program/algorithm/tool.
  • Immunogenic/non-immunogenic epitopes to be used for learning are composed of a pair of mutant epitopes and original epitopes, and the values derived for the mutant epitopes and original epitopes for each element are used using collected or developed algorithms/tools.
  • the immunogenicity of mutant epitopes can be predicted.
  • the differential index of the mutant epitope and the original epitope for each element can be calculated as RATIO and DIFFERENCE and used as input for learning, and one or both can be used.
  • [Equation 1] and [Equation 2] below express RATIO and DIFFERENCE as formulas.
  • DIFFERENCE Value measured by program/algorithm/tool for mutated epitope - Value measured by program/algorithm/tool for native epitope
  • the differential index for various factors involved in a number of biological processes that affect the immunogenicity of the mutant epitope and the characteristics of the mutant epitope can be named as follows, but is not limited thereto.
  • DPI Differential phosphorylation index
  • DSSI Differential sequence similarity index
  • DPSI Differential peptide stability index
  • DCI Differential cleavage index
  • DTI Differential TAP index
  • DAPI Differential antigen processing index
  • DAI Differential agretopicity index
  • DIRI Differential inflammatory response index
  • DBLI Differential B-cell linear epitope index
  • B-cell conformation epitope B-cell conformation epitope: Differential B-cell conformation epitope index (DBCI)
  • RATIO and/or DIFFERENCE for each element can be selected and utilized in full or in part through statistical evaluation. For example, you can learn using RATIO and DIFFERENCE for all elements simultaneously, or/and review/evaluate statistical significance among them, and learn using only partially significant values.
  • adding or subtracting programs/algorithms/tools or/and individual elements may vary depending on the target disease. For example, depending on the cancer type, a combination of different elements and/or programs/algorithms/tools may be formed.
  • Artificial intelligence models that can be used for learning include neural networks, deep learning, logistic regression, AdaBoost, LogitBoost, XgBoost, Support vector machine, and random forest, and are not limited to specific machine learning algorithms or statistical methods. Additionally, ensemble machine learning methods (e.g., bagging, stacking, voting, boosting, etc.) that integrate multiple machine learning algorithms or statistical methods can also be used. Through integrated learning using a machine learning method, the weights of the factors that predict the final goal, the immunogenic mutant epitope, are determined, and the differences between the mutant epitope and the original epitope along with the characteristics of the elements and epitopes involved in all biological processes are determined. You can learn using .
  • ensemble machine learning methods e.g., bagging, stacking, voting, boosting, etc.
  • the performance of the artificial intelligence model created through the above learning can be evaluated through validation using existing known cross validation, leave-one-out validation, or independent data, and in vitro testing for predicted mutant epitopes. Performance can be evaluated experimentally, such as in vivo or clinically.
  • the output of the artificial intelligence model is a prediction of immunogenicity for the mutant epitope.
  • the predicted value of immunogenicity for a mutant epitope represents the probability of whether the epitope is immunogenic or non-immunogenic and can be a value between 0 and 1. For example, if the predicted immunogenicity for a mutant epitope is close to 1, it can be judged as immunogenic, and if it is close to 0, it can be judged as non-immunogenic.
  • the results of the artificial intelligence model may be the results of determining whether the mutant epitope is immunogenic.
  • the artificial intelligence model can determine immunogenicity or non-immunogenicity by comparing the predicted value of immunogenicity for a mutant epitope with a reference value.
  • the reference value may vary depending on one or a combination of tumor type, purpose, and situation.
  • Figure 4 shows an example of a process for predicting the immunogenicity of a mutant epitope using an artificial intelligence model.
  • the method for predicting the immunogenicity of a mutant epitope involves determining that each of the elements involved in the biological process for the mutant epitope and the characteristics of the epitope affect the immunogenicity of the mutant epitope. It may include a step/process of calculating the degree (S410).
  • the method of predicting the immunogenicity of a mutant epitope includes calculating the extent to which each of the characteristics of the epitope and factors involved in the biological process for the native epitope corresponding to the mutant epitope affect the immunogenicity of the native epitope. It may include a process (S420).
  • the method of predicting the immunogenicity of a mutant epitope may include the step/process (S430) of calculating a differential index based on the value calculated for the mutant epitope and the value calculated for the original epitope.
  • the differential index is the ratio (RATIO) between the value calculated for the mutant epitope and the value calculated for the original epitope, and the difference between the value calculated for the mutant epitope and the value calculated for the original epitope (DIFFERENCE ), phosphorylation, hydrophobicity, similarity to known epitopes, dissimilarity to self-proteome, epitope stability, antigen processing, MHC I binding affinity, pMHC stability, immunity, inflammatory response, B- It may be a differential index for at least one of a cell linear epitope and a B-cell abnormal epitope.
  • the method of predicting the immunogenicity of a mutant epitope includes the step/process of predicting the immunogenicity of the mutant epitope by inputting the value calculated for the mutant epitope and the calculated differential index into a pre-trained artificial intelligence model ( S440) may be included.
  • the method of predicting the immunogenicity of a mutant epitope further performs at least one of standardization and normalization on the value calculated for the mutant epitope and the calculated differential index before inputting the calculated value into the learned artificial intelligence model. can do.
  • Figure 5 shows an example of a configuration diagram of a device that predicts the immunogenicity of a mutant epitope using an artificial intelligence model.
  • a device for predicting the immunogenicity of a mutant epitope using an artificial intelligence model may be comprised of an input/output device 510, a storage device 520, and an arithmetic device 530.
  • the input/output device 510 may be configured to receive a mutant epitope as input or output a result of predicting the immunogenicity of the mutant epitope.
  • the input/output device 510 may be configured to receive mutant epitopes from a user or another device.
  • the input/output device 510 is shown as one, but it may be configured as a separate device.
  • the input device can be a mouse and/or keyboard, and the output device can be a display such as a monitor or speakers.
  • the storage device 520 calculates the differential index based on the characteristics of the elements and epitopes involved in the biological process for the mutant epitope and the original epitope, and the differential index calculated based on the characteristics of the elements and epitopes involved in the biological process for the mutant epitope. Using the obtained values, the learned artificial intelligence model can be saved to predict the immunogenicity of the mutant epitope.
  • the storage device 520 may store programs/algorithms/tools necessary for data processing in addition to the artificial intelligence learning model.
  • the computing device 530 calculates the extent to which each of the factors involved in the biological process for the mutant epitope and the characteristics of the epitope affect the immunogenicity of the mutant epitope, and calculates the biological process for the native epitope corresponding to the mutant epitope. Calculate the extent to which each of the elements involved and the characteristics of the epitope affect the immunogenicity of the native epitope, and calculate the differential index based on the value calculated for the mutant epitope and the value calculated for the native epitope.
  • the immunogenicity of the mutant epitope can be predicted by calculating and inputting it into a pre-trained artificial intelligence model using the calculated value for the mutant epitope and the calculated differential index.
  • the computing device 530 may further perform at least one of standardization and normalization on the value calculated for the mutant epitope and the calculated differential index before inputting the calculated value into the learned artificial intelligence model.
  • the device for predicting the immunogenicity of a mutant epitope using an artificial intelligence model is described as consisting of an input/output device 510, a storage device 520, and an arithmetic device 530, but multiple configurations may be one configuration. Alternatively, one configuration may be comprised of multiple configurations. In addition, the device for predicting the immunogenicity of a mutant epitope using an artificial intelligence model may further include a communication device, etc.
  • the differential index is the ratio (RATIO) between the value calculated for the mutant epitope and the value calculated for the original epitope, and the difference between the value calculated for the mutant epitope and the value calculated for the original epitope (DIFFERENCE ), phosphorylation, hydrophobicity, similarity to known epitopes, dissimilarity to self-proteome, epitope stability, antigen processing, MHC I binding affinity, pMHC stability, immunity, inflammatory response, B- It may be a differential index for at least one of a cell linear epitope and a B-cell abnormal epitope.
  • the following shows an example of predicting the immunogenicity of a mutant epitope according to the method described above.
  • [Table 1] below shows the number of learning data sets (learning data sets) and evaluation data sets (evaluation data sets).
  • the DIFFERENCE and RATIO described above are calculated based on the values calculated for the mutant epitope and the original epitope using the program and method shown in [Table 2], respectively.
  • TAP efficiency is statistically significant factors in determining whether it is an immunogenic epitope.
  • DIFFERENCE among the elements and epitope characteristics involved in biological processes, dissimilarity to self-proteome, hydrophobicity, MHCflurry (processing score), MHCflurry (presentation score), and PRIME (%Rank) are statistically used to determine whether it is an immunogenic epitope. It is a meaningful element.
  • NetMHCpan %Rank_EL
  • NetMHCpan %Rank_BA
  • MHCflurry processing score
  • NetMHCStabPan %Rank_Stab
  • PRIME % Rank
  • NetMHCphosPan is a statistically significant factor in determining whether it is an immunogenic epitope.
  • a total of 30 statistically significant elements (immunogenicity-related biological processes and epitope characteristics) for the epitopes of the training data set/evaluation data set are formed into a two-dimensional matrix, and machine learning analysis (analysis using an artificial intelligence learning model) is performed. did.
  • analysis of several machine learning algorithms was performed using the Weka program, and the final model was created by selecting and integrating several machine learning algorithms.
  • the final model was selected based on the average probability of model results from nine machine learning algorithms: LogitBoost, BayesNet, CSForest, AdaBoost, Logistic, PART, NaiveBayes, RandomForest, and SMO, and the degree of performance improvement of the present invention was determined.
  • published immunogenicity-related programs were performed on the same data and their performance was compared.
  • [Table 4] below shows the performance evaluation results of epitope immunogenicity prediction for the learning data set
  • [Table 5] shows the performance evaluation results of epitope immunogenicity prediction for the evaluation data set.
  • [Table 6] shows the results of comparing the performance of a model including all elements and a model excluding DIFFERENCE and RATIO.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Chemical & Material Sciences (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Peptides Or Proteins (AREA)

Abstract

본 발명은 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치에 관한 것으로, 본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법은 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계, 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하는 단계, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 단계를 포함할 수 있다.

Description

신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치
본 발명은 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치에 관한 것으로, 보다 구체적으로는 돌연변이가 발생한 신생항원 에피토프와 원시의 에피토프를 비교하여 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치에 관한 것이다.
신생항원(neoantigen)은 돌연변이(mutation)가 일어난 항원(antigen)으로, 종양(tumor) 세포/조직(tissue)에서 발현되고, 정상 세포에서는 발현되지 않는 특징을 갖는다. 돌연변이에 의해 정상 서열이 변형되면, 면역 세포는 변형된 서열을 새로운 항원/에피토프로 인식해 면역반응을 일으킨다. 이러한 신생항원은 치료용 백신으로 활용되고 있으며, 면역치료 및 반응성 예측 등에 사용되고 있다. MHC 결합 친화성(MHC binding affinity), 프로테아좀 분절(proteasomal cleavage), TAP 수송체 효율(TAP transporter efficiency), pMHC 안정도(pMHC stability), T-세포 수용체 상호작용(T-cell receptor interaction) 등 다수의 생물학적 프로세스에 관여하는 여러가지 요소 및 소수성(hydrophobicity), 알려진 에피토프와의 유사성(similarity to known epitopes), 자기-단백체와의 비유사성(dissimilarity to self-proteome) 등 신생항원 에피토프가 가지는 특성들은 인실리코(in silico) 방식으로 CD8+ T-세포 면역원성(immunogenicity)을 보이는 신생항원 에피토프를 예측하는데 영향을 미칠 수 있다. 이에 돌연변이에 의해 발생되는 생물학적 프로세스에 관여하는 여러가지 요소 및/또는 신생항원 에피토프의 특성을 이용해 신생항원 에피토프의 면역원성을 예측했다.
현재까지 다수의 생물학적 프로세스에 관여하는 여러가지 요소 및/또는 에피토프 특성 각각을 개별적으로 이용하거나, 소수개의 요소 및/또는 특성을 결합하여 면역 반응을 유발하는 에피토프를 예측하는 방법이 개발되어 왔다. DAI(differential agretopicity index, 이하 DAI)도 에피토프의 면역원성을 예측하기 위해 이용된 요소 중 하나이다.
DAI는 돌연변이 에피토프(또는, '펩티드'로 칭해질 수 있다.)의 MHC 친화성과 돌연변이 되지 않은 원시의(non-mutated or wild-type) 에피토프의 MHC 친화성의 비율(ratio)로 정의된다. 돌연변이 에피토프(neoepitope or mutant epitope)의 MHC 친화성만을 이용해 면역원성을 예측하기보다는 DAI를 이용해 면역원성을 예측하는 것이 더 효과적일 수 있다. 그 이유는, 돌연변이 에피토프가 MHC 결합 친화도 등 특정 요소가 선호된다고 해서 모두 면역원성을 보이는 것은 아니다. 원시의 에피토프 자체가 원래 MHC 결합이 잘 되는 성향을 가졌다고 하더라도, 면역 시스템의 음성 선택(negative selection)/중심 관용(central tolerance) 과정 등을 통해 자기 에피토프에 대해 면역반응을 일으키지 않도록, 즉 정상 세포들이 면역 세포에 의해 공격당하지 않도록 작용할 수 있다. 따라서, 정상인 원시의 에피토프 대비 돌연변이에 의해 특성이 어떻게 변화된 것인지 그 변화의 차이를 측정하는 것이 에피토프의 면역원성을 예측하는데 매우 중요할 수 있다.
돌연변이 에피토프와 원시의 에피토프의 차이는 결합 친화도에만 영향을 미치는 것이 아니라, 에피토프가 면역반응을 일으키는데까지 관여하는 다양한 생물학적 프로세스에 영향을 미칠 수 있다. 예를 들어, 원시의 에피토프와 돌연변이 에피토프의 MHC 결합 친화도는 유사한 반면, 돌연변이에 의해 프로테아좀 분절, TAP 수송체 효율, pMHC 안정도, T-세포 수용체 상호작용 등의 효율/반응 등이 달라질 수 있다.
이에, 본 발명에서는 다수의 생물학적 프로세스 및 에피토프/네오에피토프 특성에 대해 differential index(즉, 돌연변이 에피토프와 원시의 에피토프의 측정값의 비율 혹은 차이)를 이용하여 돌연변이 에피토프의 면역원성을 예측하는 방법 및 이를 이용하는 장치에 대해 제안한다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법은 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계, 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하는 단계, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 단계를 포함할 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법은 상기 학습된 인공 지능 모델에 계산한 값을 입력하기 전, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index에 대해 표준화 및 정규화 중 적어도 하나를 수행하는 단계를 더 포함할 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법에서 상기 differential index는, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 비율(RATIO), 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 차이(DIFFERENCE) 중 적어도 하나를 포함할 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법에서 상기 differential index는, 인산화, 소수성, 알려진 에피토프와의 유사성, 자기-단백체와의 비유사성, 에피토프 안정도, 항원 처리, MHC I 결합 친화도, pMHC 안정도, 면역, 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나에 대한 differential index일 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법에서 상기 돌연변이 에피토프와 상기 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 면역원성에 영향을 주는 정도를 계산하는 단계는, 알고리즘, 프로그램, 또는 툴을 이용해 계산하는 단계일 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법에서 상기 생물학적 프로세스는, 항원 처리 단계, 항원 제시 단계, 면역 단계, 및 종양 미세 환경으로 구성되고, 상기 종양 미세 환경에 관여하는 요소는 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나일 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 컴퓨터 판독 가능한 기록 매체는 앞서 설명한 방법 중 적어도 하나를 실행하기 위한 컴퓨터 프로그램을 기록한 것일 수 있다.
본 발명에 따른 돌연변이 에피토프의 면역원성을 예측하는 장치는, 돌연변이 에피토프를 입력받거나, 상기 돌연변이 에피토프의 면역원성을 예측한 결과를 출력하는 입출력 장치, 돌연변이 에피토프와 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 differential index와 돌연변이 에피토프에 대해 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 값을 이용하여 돌연변이 에피토프의 면역원성 예측하도록 학습된 인공 지능 모델을 저장하는 저장 장치, 및 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 연산 장치를 포함할 수 있다.
본 발명에 따르면, 돌연변이에 의해 발생하는 다수의 생물학적 프로세스와 에피토프/네오에피토프 특성을 다양한 측면을 고려할 수 있어 돌연변이 에피토프만을 단독으로 사용하여 면역원성을 예측했을 때보다 더 높은 정확도로 돌연변이 에피토프의 면역원성을 예측할 수 있다. 높은 정확도로 예측된 면역원성 에피토프는 신생항원 기반의 백신 개발시 더 높은 효용성과 낮은 부작용 등을 기대할 수 있다.
도 1은 종양 세포의 생물학적 프로세스의 일 예를 나타낸 것이다.
도 2는 신생항원의 면역원성에 영향을 미칠 수 있는 다수의 생물학적 프로세스의 요소 및 신생항원의 특성을 나타낸 것이다.
도 3은 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 학습하는 과정의 일 예를 나타낸 것이다.
도 4는 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 과정의 일 예를 나타낸 것이다.
도 5는 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 장치의 구성도의 일 예를 나타낸 것이다.
이하, 실시예는 오로지 본 발명을 보다 구체적으로 설명하기 위한 것으로서, 본 발명의 요지에 따라 본 발명의 범위가 이들 실시예에 의해 제한되지 않는다는 것은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어서 자명할 것이다. 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정/단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정/단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
도 1은 종양 세포의 생물학적 프로세스의 일 예를 나타낸 것이다.
도 1을 참조하면, 종양 세포의 생물학적 프로세스는 항원 처리(antigen processing) 단계, 항원 제시(antigen presentation) 단계, 및 면역원성(Immunogenicity) 단계로 구성될 수 있다. 종양 세포를 둘러싼 종양 미세 환경(tumor microenvironment, TME)도 생물학적 프로세스에 영향을 미칠 수 있어 종양 세포의 생물학적 프로세스의 일부로 볼 수 있다. 종양 세포의 생물학적 프로세스는 일반 세포의 생물학적 프로세스와 동일 또는 유사하나, 각 단계에서 다양한 요소들이 에피토프 생성 및/또는 특성에 영향을 미칠 수 있다.
항원 처리 단계는 종양 세포의 핵 내의 DNA가 mRNA가 전사되어 세포질로 나오면, 전사된 mRNA가 펩티드로 변형되어 MHC 클래스 I 과 결합하는 단계이다. 종양 세포의 DNA는 돌연변이 등의 원인으로 변형된 상태일 수 있다. mRNA는 번역되어 단백질로 합성된 후, 프로테아좀에 의해 펩티드로 분절될 수 있다. 분절된 펩티드는 TAP 수송체에 의해 조면소포체 내부로 수송되어 MHC 클래스 I 과 결합한다.
항원 제시 단계는 항원 처리 단계에서 생성된 펩티드가 MHC 클래스 I 과 결합하여 펩티드-MHC 복합체로서 세포 표면에 제시되는 단계이다.
면역원성 단계는 세포 표면에 제시된 펩티드-MHC 복합체가 T 세포에 의해 인지되는 단계이다.
종양 미세 환경(TME)은 세포를 둘러싼 환경으로, 세포는 혈관, 면역 세포, 섬유아세포, 골수 유래 염증 세포, 림프구, 신호 전달 분자, 및 세포외 기질 등에 의해 둘러싸일 수 있다. 종양 세포는 세포외 신호 방출, 종양 세포 신생혈관 촉진, 및 말초 면역 관용 등을 유도하여 종양 미세 환경에 영향을 줄 수 있고, 종양 미세 환경도 종양 세포의 성장 또는/및 전이에 영향을 줄 수 있다. 예를 들어, 면역 반응을 유도하는 질환이 암인 경우, 시료의 클론성이 에피토프의 면역원성에 영향을 줄 수 있으며, 면역 세포의 분포/비율, 종양 침윤 림프구(tumor infiltrating lymphocyte), RNA 발현(expression) 등도 생성되는 에피토프의 면역원성에 영향을 줄 수 있다.
도 2는 에피토프의 면역원성에 영향을 미칠 수 있는 다수의 생물학적 프로세스의 요소 및 에피토프 특성을 나타낸 것이다.
에피토프의 면역원성에는 도 1에서 설명한 생물학적 프로세스 외에 에피토프의 특성(properties)도 영향을 줄 수 있다. 예를 들어, 에피토프의 독성(toxicity) 및 알러지원성(allegenicity) 등 인체에 미치는 부정적인 요소들은 에피토프의 면역원성에 영향을 줄 수 있다. 에피토프의 면역원성에 영향을 미치는 요소들은 한 번에 하나씩 영향을 미칠 수도 있지만 여러가지가 동시에 또는/및 순차적으로 영향을 미칠 수도 있다.
이하에서는 에피토프 특성 및 생물학적 프로세스에서 에피토프의 면역원성에 영향을 줄 수 있는 여러가지 요소들에 대해 자세히 설명한다.
에피토프 특성 중 면역원성에 영향을 줄 수 있는 요소로는 돌연변이에 의한 기능적 영향(functional impact by mutations), 인산화(phosphorylation, PTM), 소수성(hydrophobicity or physicochemical hydrophobicity), 알려진 에피토프와의 유사성(Similarity to known epitopes), 사람을 참조로 한 자기-단백체와의 비유사성(Dissimilarity to self (human reference)-proteome), 펩티드 안정성(Peptide stability) 등이 있다.
이하에서는 각 요소가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 특정 프로그램/알고리즘/툴 등을 예로 설명하나, 이에 한정되는 것은 아니다.
돌연변이에 의한 기능적 영향은 종양의 원인이 되는 체세포 돌연변이에 의해 단백질의 기능에 미치는 영향을 나타내는 요소이다. 기능적 영향이 큰 돌연변이를 포함한 에피토프는 기존 면역 세포에 의해 자연스럽게 제거되나, 기능적 영향이 상대적으로 적은 돌연변이를 포함한 에피토프는 더 높은 빈도로 면역원성을 보일 수 있다. 돌연변이에 의한 기능적 영향이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, PROVEAN 또는/및 PolyPhen-2라는 프로그램을 이용할 수 있다.
인산화는 면역원성을 예측하려는 에피토프의 MHC 클래스 I 리간드가 인산화된 정도를 나타내는 요소이다. 인산화가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, NetMHCphosPan 프로그램을 이용할 수 있다.
소수성은 면역원성을 예측하려는 에피토프가 소수성인지를 나타내는 요소이다. 소수성이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 ProtFP라는 프로그램을 이용할 수 있다.
알려진 에피토프와의 유사성은 면역원성을 예측하려는 에피토프와 면역원성(또는 비면역원성)으로 알려진 에피토프와 유사한지를 나타내는 요소이다. 알려진 에피토프와의 유사성이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, blastP 프로그램을 이용할 수 있다.
사람을 참조로 한 자기-단백체와의 비유사성은 면역원성을 예측하려는 에피토프가 자기-단백체와의 비유사한지를 나타내는 요소이다. 여기서 자기-단백체는 사람을 참조로 한 자기-단백체일 수 있다. 사람을 참조로 한 자기-단백체와의 비유사성이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, 파이썬 바이오 패키지(Python Bio package)의 pairwise2 모듈을 이용할 수 있다.
에피토프 안정성(또는 펩티드 안정성)은 에피토프 자체의 안정성을 나타내는 요소이다. 기존에는 펩티드-MHC의 결합 안정성이 사용되고 있었으나, 에피토프 자체의 안정성이 사용되지는 않았다. 에피토프의 안정성이 낮을 경우, MHC 분자에 결합/상호 작용할 기회가 줄어들어 면역원성을 가질 가능성이 낮을 수 있다. 에피토프 안정성이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, ProtParam을 이용할 수 있다.
생물학적 프로세스 중 항원 처리 단계에서는 프로테아좀 분절(Proteasomal cleavage) 및/또는 TAP 수송체 효율(TAP transporter efficiency)을 에피토프의 면역원성을 예측하는데 이용할 수 있다. 프로테아좀 분절과 TAP 수송체 효율이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, NetCTLpan 프로그램을 이용할 수 있다.
생물학적 프로세스 중 항원 제시 단계에서는 MHC I 결합 친화도 및/또는 pMHC 안정도 중 적어도 일부가 면역 반응을 일으키는 에피토프를 예측하는데 이용될 수 있다.
MHC 클래스 I 결합 친화도는 면역원성을 예측하려는 에피토프가 MHC 클래스 I와 결합하려는 정도를 나타내는 요소이다. MHC 클래스 I 결합 친화도가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, 프로그램 NetMHCpan 또는/및 MHCflurry을 이용할 수 있다.
pMHC 안정도는 에피토프의 펩티드-MHC 안정도를 나타내는 요소이다. pMHC 안정도가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, NetMHCstabpan 프로그램을 이용할 수 있다.
생물학적 프로세스 중 면역원성 단계에서는 면역원성이 면역 반응을 일으키는 에피토프를 예측하는데 이용될 수 있다. 면역원성이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, IEDB, PRIME, DeepHLApan, DeepImmuno 중 적어도 하나를 이용할 수 있다.
종양 미세 환경에서는 염증 반응(inflammatory response), B-세포 선형(linear) 에피토프, B-세포 형태 이상(conformational) 에피토프 중 적어도 하나가 면역 반응을 유발하는 에피토프를 예측하는 요소로 고려될 수 있다.
면역 세포는 사이토카인(cytokine) 등 염증 물질을 분비해 면역 반응을 조절할 수 있다. 에피토프가 이러한 사이토카인을 유도할 수 있는 성질을 계산해, 에피토프가 사이토카인을 과다하게/과소하게 유도할 경우, 면역 반응이 억제될 수 있다. 염증 반응이 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, PIP-EL, AIPpred, IFNepitope 중 적어도 하나를 이용할 수 있다.
종양의 원인이 되는 체세포 돌연변이(somatic mutation)는 B-세포에 의해 인식될 수 있다. B-세포는 펩티드 형태의 선형 에피토프와 단백질 구조적인 형태 이상 에피토프를 모두 인식할 수 있다. B-세포 선형 에피토프는 선형 에피토프 가능성을 나타낸 요소이고, B-세포 형태 이상 에피토프는 형태 이상 에피토프 가능성을 나타낸 요소이다. B-세포 선형 에피토프가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, Bepipred 프로그램을 이용할 수 있고, B-세포 형태 이상 에피토프가 에피토프의 면역원성에 영향을 주는 정도를 확인하기 위해 예를 들어, Discotope를 이용할 수 있다.
도 3은 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 학습하는 과정의 일 예를 나타낸 것이다.
신생항원의 CD8+ T-세포 면역원성을 학습하고 평가하기 위해, 면역원성 돌연변이 에피토프와 비면역원성 돌연변이 에피토프가 이용될 수 있다. 면역원성 돌연변이 에피토프와 비면역원성 돌연변이 에피토프는 기 공개된 데이터 및/또는 자체 보유/생산한 데이터일 수 있다. 기 공개된 데이터는 대표적으로, dbPepNeo, NEPdb 등을 이용해 획득할 수 있으며, 돌연변이 에피토프와 원시의 에피토프의 차이(differential index)를 계산해야 하기 때문에, 데이터는 종양 신생항원 에피토프로 한정하여 수집할 수 있다. 즉, 돌연변이 에피토프와 원시의 에피토프의 정보를 직간접적으로 추출할 수 없는 병원체(pathogen) 유래 에피토프는 differential index를 계산할 수 없기 때문에 제외할 수 있다.
돌연변이 에피토프의 면역원성에 영향을 미치는 다수의 생물학적 프로세스에 관여하는 요소 및 돌연변이 에피토프의 특성 등은 크게 돌연변이 에피토프의 특성, 항원 처리, 항원 제시, 면역(또는 T-세포 인식), 종양 미세 환경(TME) 등이 있으며, 자세하게는 돌연변이에 의한 기능적 영향, PTM(인산화 반응, 유비퀴틴화, 글리코실화반응 등), 알려진 에피토프와 유사한 서열, 자기-단백체와의 비유사성, 에피토프(펩티드) 안정도, 프로테아좀 분절, TAP 수송체 효율, MHC 클래스 I/II 결합 친화도, pMHC 안정도, 면역(T-세포 수용체 인식), 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 등이 있다. 만약, 다루려는 질환이 암인 경우, 시료의 클론성(clonality)이 더 포함될 수 있으며, 염증 외의 TME 요소(면역세포의 분포/비율, 종양 침윤성 림프구, RNA 발현 등)도 더 포함될 수 있다. 또한, 에피토프의 독성(toxicity) 및/또는 알러지원성(allegenicity) 등 인체에 미치는 부정적인 요소들도 더 포함될 수 있다. 일 실시예에 따르면, 다수의 생물학적 프로세스 및 에피토프 특성들 중에 부분적으로 선택되어 활용되어 질 수 있다.
돌연변이 에피토프의 면역원성에 관여하는 상세 요소들 중, differential index를 계산할 수 있는 요소는 인산화, 소수성, 알려진 에피토프와의 유사성, 자기-단백체와의 비유사성, 에피토프 안정도, 항원 처리, MHC I 결합 친화도, pMHC 안정도, 면역, 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나일 수 있다. 돌연변이에 의한 기능적 영향은 differential index를 계산할 수 있는 요소에서 제외되는데 그 이유는 돌연변이에 의한 기능적 영향을 측정한 값 자체가 원시의 에피토프 대비 돌연변이 에피토프가 단백질에 미치는 영향을 측정하고 있기 때문이다. 일 실시예에 따르면, 항원 처리는 하나의 요소가 될 수도 있지만, 프로테아좀 분절과 TAP 수송체 효율 두 개의 요소로 나뉠 수도 있다.
학습은 모든 요소를 동시에 통합하여 수행될 수도 있지만 각 요소별로 따로 학습될 수도 있다. 예를 들어, 모든 요소가 매칭된 데이터가 부족한 경우, 데이터가 존재하는 요소에 대해서만 학습이 수행될 수도 있다. 학습에 입력될 데이터는 각 요소를 프로그램/알고리즘/툴을 이용해 측정한 값이 될 수 있다. 프로그램/알고리즘/툴은 도 2에서 설명한 것 중 적어도 하나일 수 있고, 또는 별도로 개발된 것일 수도 있다. 만약, 복수의 프로그램/알고리즘/툴로 하나의 요소를 측정하는 경우에는 각각을 입력으로 할 수도 있다. 또 다른 예에서는 하나의 프로그램/알고리즘/툴로 복수의 요소를 측정하여 입력할 수도 있다.
학습에 이용할 면역원성/비면역원성 에피토프는 돌연변이 에피토프와 원시의 에피토프 쌍으로 구성되어 있으며, 수집 또는 개발한 알고리즘/툴을 활용하여 각 요소별 돌연변이 에피토프와 원시의 에피토프에 대해 도출한 값을 이용하여 돌연변이 에피토프의 면역원성을 예측할 수 있다.
본 발명에서는, 각 요소에 대한 돌연변이 에피토프와 원시의 에피토프의 differential index를 RATIO(비율), DIFFERENCE(차이)로 계산하여 학습에 입력으로 할 수 있으며, 하나를 이용하거나 두가지를 모두 이용할 수 있다. 아래의 [수학식 1]과 [수학식 2]는 RATIO와 DIFFERENCE를 수식으로 나타낸 것이다.
[수학식 1]
Figure PCTKR2023017786-appb-img-000001
[수학식 2]
DIFFERENCE = 돌연변이 에피토프에 대해 프로그램/알고리즘/툴로 측정한 값 - 원시의 에피토프에 대해 프로그램/알고리즘/툴로 측정한 값
다른 실시예에서는, [수학식 1]과 [수학식 2] 외에 기본 수식의 파생형인 LOG를 적용한 값을 이용할 수도 있다.
돌연변이 에피토프의 면역원성에 영향을 미치는 다수의 생물학적 프로세스에 관여하는 여러가지 요소 및 돌연변이 에피토프의 특성 등에 대한 differential index는 아래와 같이 명명할 수 있으나, 이에 제한되는 것은 아니다.
- Phosphorylation (one of PTM)(인산화) : Differential phosphorylation index (DPI)
- Hydrophobicity(소수성) : Differential hydrophobicity index (DHI)
- Similarity to known epitopes(알려진 에피토프와의 유사성) : Differential sequence similarity index (DSSI)
- Dissimilarity to self-proteome(자기-단백체와의 비유사성) : Differential dissimilarity index (DDI)
- Peptide (epitope) stability(에피토프 안정도) : Differential peptide stability index (DPSI)
- Proteasomal cleavage(프로테아좀 분절) : Differential cleavage index (DCI)
- TAP transport efficiency(TAP 수송체 효율) : Differential TAP index (DTI)
- Antigen processing(항원 처리) : Differential antigen processing index (DAPI)
- MHC I binding affinity(MHC I 결합 친화도) : Differential agretopicity index (DAI)
- pMHC stability(pMHC 안정도) : Differential stability index (DSI)
- Immunogenicity(T-cell receptor interaction)(면역) : Differential immunogenicity index (DII)
- Inflammatory response(염증 반응) : Differential inflammatory response index (DIRI)
- B-cell linear epitope(B-세포 선형 에피토프) : Differential B-cell linear epitope index (DBLI)
- B-cell conformationl epitope(B-세포 형태 이상 에피토프) : Differential B-cell conformationl epitope index (DBCI)
돌연변이 에피토프에 대해 프로그램/알고리즘/툴을 이용하여 다양한 생물학적 프로세스에 관여하는 요소 및 에피토프의 특성을 측정한 값, [수학식 1] 및 [수학식 2]로 계산된 값 중 통계적으로 유의한 요소들을 선별하고 인코딩하여 기계 학습 또는 통계 방식으로 학습시킨다. 인코딩 전에 각 요소들, [수학식 1] 및 [수학식 2]로 계산된 값에 대해 표준화(standardization) 및/또는 정규화(normalization)를 수행할 수 있다. 프로그램/알고리즘/툴을 이용해 도출한 값은 각 요소들 또는 적용한 프로그램/알고리즘/툴에 따라 값의 범위나 분해능(resolution)이 다를 수 있어 표준화 또는/및 정규화하여 이용할 수 있다.
각 요소들에 대한 RATIO 및/또는 DIFFERENCE는 모두 또는 통계 평가를 통해 부분적으로 선택되어 활용될 수 있다. 예를 들어, 모든 요소들에 대한 RATIO와 DIFFERENCE를 동시에 사용하여 학습할 수도 있고, 또는/및 그 중 통계적 유의성을 검토/평가하여, 부분적으로 유의한 값들만 사용하여 학습할 수도 있다. 일 실시예에 따르면, 프로그램/알고리즘/툴 또는/및 개별 요소를 가감하는 것은 대상으로 하는 질환에 따라 달라질 수 있다. 예를 들어, 암 종에 따라 서로 다른 요소 및/또는 프로그램/알고리즘/툴의 조합을 형성할 수 있다.
학습에 이용될 수 있는 인공 지능 모델은 neural network나 deep learning, logistic regression, AdaBoost, LogitBoost, XgBoost, Support vector machine, random forest 등이 활용될 수 있으며, 특정 기계 학습 알고리즘이나 통계 방법으로 한정하지 않는다. 또한, 여러 기계 학습 알고리즘이나 통계 방법으로 통합하는 앙상블 기계 학습 방식(e.g., bagging, stacking, voting, boosting 등)도 활용될 수 있다. 이렇게 기계 학습 방식으로 통합 학습시킴으로써, 최종 목적인 면역원성 돌연변이 에피토프를 예측하는 요소들의 가중치(weight)가 결정되고, 모든 생물학적 프로세스에 관여하는 요소들, 에피토프의 특징과 더불어 돌연변이 에피토프와 원시의 에피토프의 차이를 이용하여 학습할 수 있게 된다.
이상의 학습을 통해 생성된 인공 지능 모델은, 기존 알려진 cross validation, leave-one-out validation 또는 독립 데이터를 활용한 검증(validation)을 통해 성능 평가를 할 수 있으며, 예측된 돌연변이 에피토프를 대상으로 in vitro, in vivo, 임상 등 실험적 방식으로 성능을 평가할 수 있다.
인공 지능 모델의 결과는 돌연변이 에피토프에 대한 면역원성의 예측치이다. 돌연변이 에피토프에 대한 면역원성의 예측치는 에피토프가 면역원성인지 또는 비면역원성인지를 확률로 나타낸 것으로 0에서 1 사이의 값일 수 있다. 예를 들어, 돌연변이 에피토프에 대한 면역원성의 예측치가 1에 가까우면 면역원성으로 판단할 수 있고, 0에 가까우면 비면역원성으로 판단할 수 있다.
다른 일 실시예에 따르면, 인공 지능 모델의 결과는 돌연변이 에피토프가 면역원성인지에 대해 판단된 결과일 수 있다. 인공 지능 모델은 돌연변이 에피토프에 대한 면역원성의 예측치를 기준값과 비교하여 면역원성 또는 비면역원성으로 판단할 수 있다. 기준값은 종양의 종류, 목적, 상황 중 어느 하나 또는 조합에 따라 달라질 수 있다.
도 4는 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 과정의 일 예를 나타낸 것이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 돌연변이 에피토프의 면역원성을 예측하는 방법은 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계/과정(S410)을 포함할 수 있다.
돌연변이 에피토프의 면역원성을 예측하는 방법은 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계/과정(S420)을 포함할 수 있다.
돌연변이 에피토프의 면역원성을 예측하는 방법은 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하는 단계/과정(S430)을 포함할 수 있다. differential index는, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 비율(RATIO), 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 차이(DIFFERENCE) 중 적어도 하나를 포함할 수 있고, 인산화, 소수성, 알려진 에피토프와의 유사성, 자기-단백체와의 비유사성, 에피토프 안정도, 항원 처리, MHC I 결합 친화도, pMHC 안정도, 면역, 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나에 대한 differential index일 수 있다.
돌연변이 에피토프의 면역원성을 예측하는 방법은 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 단계/과정(S440)을 포함할 수 있다. 돌연변이 에피토프의 면역원성을 예측하는 방법은 상기 학습된 인공 지능 모델에 계산한 값을 입력하기 전, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index에 대해 표준화 및 정규화 중 적어도 하나를 더 수행할 수 있다.
도 5는 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 장치의 구성도의 일 예를 나타낸 것이다.
도 5를 참조하면, 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 장치는 입력/출력 장치(510), 저장 장치(520) 및 연산 장치(530)로 구성될 수 있다.
입력/출력 장치(510)(또는, 입출력 장치)는 돌연변이 에피토프를 입력받거나 돌연변이 에피토프의 면역원성을 예측한 결과를 출력하기 위한 구성일 수 있다. 입력/출력 장치(510)는 사용자로부터 또는 다른 장치로부터 돌연변이 에피토프를 입력받기 위한 구성일 수 있다. 여기서는 입력/출력 장치(510)를 하나로 표시하나 별도의 장치로 구성될 수 있다. 예를 들어, 입력 장치는 마우스 또는/및 키보드가 될 수 있고, 출력 장치는 모니터와 같은 디스플레이 또는 스피커가 될 수 있다.
저장 장치(520)는 돌연변이 에피토프와 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 differential index와 돌연변이 에피토프에 대해 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 값을 이용하여 돌연변이 에피토프의 면역원성 예측하도록 학습된 인공 지능 모델을 저장을 저장할 수 있다. 저장 장치(520)는 인공 지능 학습 모델 외에 데이터 처리에 필요한 프로그램/알고리즘/툴을 저장할 수 있다.
연산 장치(530)는 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측할 수 있다.
연산 장치(530)는 학습된 인공 지능 모델에 계산한 값을 입력하기 전, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index에 대해 표준화 및 정규화 중 적어도 하나를 더 수행할 수 있다.
여기서는 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 장치가 입력/출력 장치(510), 저장 장치(520) 및 연산 장치(530)로 구성된 것으로 설명하나, 복수의 구성이 하나의 구성으로 될 수도 있고, 하나의 구성이 복수의 구성으로 될 수도 있다. 그 외에도, 인공 지능 모델을 이용해 돌연변이 에피토프의 면역원성을 예측하는 장치는 통신 장치 등을 더 포함할 수 있다.
differential index는, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 비율(RATIO), 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 차이(DIFFERENCE) 중 적어도 하나를 포함할 수 있고, 인산화, 소수성, 알려진 에피토프와의 유사성, 자기-단백체와의 비유사성, 에피토프 안정도, 항원 처리, MHC I 결합 친화도, pMHC 안정도, 면역, 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나에 대한 differential index일 수 있다.
이하는 앞서 설명한 방법에 따라 돌연변이 에피토프의 면역원성을 예측하는 일 실시예를 나타낸 것이다.
에피토프의 면역원성을 학습하고 평가하기 위해, 공개된 데이터베이스 및/또는 논문 등으로부터 종양에서 발생한 네오에피토프에 대한 면역원성 에피토프와 비면역원성 에피토프에 관한 데이터를 수집하였다.
아래의 [표 1]은 학습 데이터 세트(학습 데이터 세트)와 평가 데이터 세트(평가용 데이터 세트)의 개수를 나타낸 것이다.
구분 CD8+ T-세포 면역원성 에피토프 (positive) CD8+ T-세포 비면역원성 에피토프 (negative)
학습 데이터 세트 315 4067
평가 데이터 세트 79 3125
본 실시예에서는, [표 1]과 같이 dbPepNeo, NEPdb, PRIME 데이터, INeo-Epp 데이터로부터 수집한 총 315개의 면역원성 에피토프(positive)와, 4067개의 비면역원성 에피토프(negative)(즉, 에피토프 및 에피토프와 결합하는 MHC I 대립 형질)를 학습 데이터 세트(training set)로 사용하였고, McPAS-TCR, VDJdb, IEDB t-cell db, TESLA consortium 데이터로부터 수집한 79개의 면역원성 에피토프(positive)와, 3125개의 비면역원성 에피토프(negative)를 평가 데이터 세트(independent set)로 사용하였다. 에피토프의 면역원성을 예측하기 위해, 돌연변이 에피토프와 원시의 에피토프에 대해 [표 2]에서 제시한 프로그램 및 방법으로 각 생물학적 프로세스에 관여하는 요소 및 에피토프 특성을 계산하였다.
생물학적 프로세스/ 에피토프 특성 프로그램 / 알고리즘 / 툴 참고문헌
돌연변이에 의한 기능적 영향(Functional impact by the mutation) PROVEAN PMID: 23056405
인산화(Phosphorylation (phosphorylated MHC class I ligands)) NetMHCphosPan 10.1016/j.immuno.2021.100005
소수성(Hydrophobicity) ProtFP PMID: 24059694
알려진 에피토프와의 유사성 (Similarity to known epitopes) blastP -
Dissimilarity to self (human reference)-proteome “pairwise2”module in Python Bio package -
펩티드 안정성(Peptide stability) ProtParam PMID: 2075190
프로테아좀 분절(Proteasomal cleavage) NetCTLpan PMID: 20379710
TAP transporter efficiency NetCTLpan PMID: 20379710
Antigen processing(Proteasomal cleavage + TAP transporter efficiency) MHCflurry
(antigen processing score)		 PMID: 32711842
MHC I binding affinity NetMHCpan PMID: 32406916
MHCflurry
(antigen presentation score)		 PMID: 32711842
pMHC 안정(pMHC stability) NetMHCstabpan PMID: 27402703
Immunogenicity (T-cell interaction) IEDB tools PMID: 24204222
PRIME PMID: 33665637
Inflammatory response PIP-EL PMID: 30108593
B-cell linear epitope Bepipred PMID: 16635264
B-cell conformational epitope Discotope PMID: 17001032
이후, 돌연변이 에피토프와 원시의 에피토프에 대해 [표 2]에서 제시한 프로그램 및 방법으로 각각 계산한 값을 기초로 앞서 설명한 DIFFERENCE과 RATIO를 계산한다. 돌연변이 에피토프에 대해 [표 2]에서 제시한 프로그램 및 방법으로 계산된 값, DIFFERENCE, 및 RATIO 중 적어도 하나를 이용해 면역원성 에피토프와 비면역원성 에피토프를 구별할 수 있는 구분능을 AUC와 prAUC, P-value (Wilcoxon rank-sum test, P<0.05)를 기준으로 확인하였다. 이 중 통계적으로 의미있는 요소들만을 인공 지능 학습 모델에 입력하였다.
Methods/Programs Epitope DIFFERENCE RATIO
AUC prAUC P-value AUC prAUC P-value AUC prAUC P-value
Similarity to known epitopes 0.561052 0.14287 2.91E-04 0.518993 0.082119 0.261265 0.523862 0.079501 0.158083
Dissimilarity to self-proteome 0.459067 0.066936 0.015349 0.458521 0.065998 0.014032 0.541067 0.081895 0.015003
Hydrophobicity (ProtFP) 0.550065 0.078362 0.003028 0.538348 0.086689 0.022478 0.531443 0.078767 0.06256
NetCTLpan (Cleavage) 0.535254 0.083073 0.036788 0.489895 0.072992 0.552856 0.492999 0.071916 0.682194
NetCTLpan (TAP efficiency) 0.526048 0.079180 0.122752 0.501619 0.075759 0.806286 0.489829 0.071463 0.650069
NetCTLpan (Comb) 0.56176 0.126133 2.55E-04 0.517495 0.079112 0.300154 0.513233 0.072897 0.43322
NetMHCpan (%Rank_EL) 0.652255 0.167535 1.90E-19 0.506969 0.069157 0.679652 0.544356 0.105322 0.008624
NetMHCpan (%Rank_BA) 0.657736 0.148926 9.41E-21 0.49905 0.068368 0.955226 0.562486 0.099488 2.15E-04
MHCflurry (processing score) 0.650284 0.145857 5.56E-19 0.558957 0.103276 4.80E-04 0.53688 0.076464 0.028934
MHCflurry (presentation score) 0.673387 0.177378 9.75E-25 0.556889 0.097804 7.54E-04 0.521614 0.073229 0.200527
NetMHCStabPan (%Rank_Stab) 0.58387 0.122517 5.40E-07 0.518213 0.071701 0.280288 0.56374 0.09354 1.61E-04
PRIME (%Rank) 0.678614 0.162947 2.20E-26 0.558192 0.083278 4.00E-04 0.600326 0.09653 1.55E-09
DeepHLApan (immunogenic score) 0.552553 0.086783 0.001855 0.522287 0.076852 0.186621 0.510505 0.074257 0.533784
NetMHCphosPan (Rnk_EL) 0.625828 0.142283 9.12E-14 0.520097 0.075307 0.233684 0.561617 0.096367 2.62E-04
PIP-EL (inflammatory response) 0.460926 0.065636 0.020728 0.474419 0.066363 0.129793 0.473708 0.066579 0.119485
PROVEAN (functional impact by the mutation 0.431995 0.059677 5.64E-05 - - - - - -
B-cell linear epitope (BcellPred) 0.45141 0.062508 0.004006 0.468083 0.069809 0.058817 0.493824 0.075081 0.714663
Peptide stability 0.455594 0.065555 0.008785 0.486047 0.070685 0.494792 0.479056 0.069242 0.272637
B-cell conformational epitope (Discotope) 0.445959 0.06171 0.001374 0.481587 0.072856 0.276434 0.514706 0.071238 0.38363
[표 3]을 참조하면, 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소 및 에피토프 특성 중 TAP 효율을 제외한 모든 요소들이 면역원성 에피토프인지를 판단하는데 있어 통계적으로 의미있는 요소이다. DIFFERENCE에 대해서는 생물학적 프로세스에 관여하는 요소 및 에피토프 특성 중 자기-단백체와의 비유사성, 소수성, MHCflurry (processing score), MHCflurry (presentation score), PRIME (%Rank)가 면역원성 에피토프인지를 판단하는데 있어 통계적으로 의미있는 요소이다. 또한, RATIO에 대해서는 생물학적 프로세스에 관여하는 요소 및 에피토프 특성 중 자기-단백체와의 비유사성, NetMHCpan (%Rank_EL), NetMHCpan (%Rank_BA), MHCflurry (processing score), NetMHCStabPan (%Rank_Stab), PRIME (%Rank), NetMHCphosPan (Rnk_EL)이 면역원성 에피토프인지를 판단하는데 있어 통계적으로 의미있는 요소이다.
학습 데이터 세트/평가 데이터 세트의 에피토프에 대해 통계적으로 유의한 총 30개의 요소(면역원성 관련 생물학적 프로세스 및 에피토프 특성)을 2차원 매트릭스화하여, 기계 학습 분석(인공 지능 학습 모델을 이용한 분석)을 수행하였다. 본 실시예에서는 Weka 프로그램을 이용하여, 여러 기계 학습 알고리즘 분석을 수행하였고, 최종적으로 여러 기계 학습 알고리즘을 통합하여 선택하는 방식으로 최종 모델을 생성하였다. 본 실시예에서 최종 모델은 LogitBoost, BayesNet, CSForest, AdaBoost, Logistic, PART, NaiveBayes, RandomForest, SMO의 9개 기계 학습 알고리즘에 의한 모델 결과를 평균 확률을 기준으로 선택하였고, 본 발명의 성능 향상 정도를 비교 평가하기 위해, 동일한 데이터에 대해, 공개된 면역원성 관련 프로그램들을 수행하고 성능을 비교하였다.
아래의 [표 4]는 학습 데이터 세트에 대한 에피토프 면역원성 예측 성능 평가 결과를 나타낸 것이고, [표 5]는 평가 데이터 세트에 대한 에피토프 면역원성 예측 성능 평가 결과를 나타낸 것이다.
알고리즘 Threshold Training DB (P:315, N:4067)
F-Measure Precision Recall Accuracy ROC Area
(=AUC) 		PRC Area
(=prAUC)
NetMHCpan (%Rank_EL) < 0.5 0.193 0.116 0.565 0.660 0.652 0.168
MhcFlurry-2.0
(presentation_score)		 > 0.5 0.179 0.103 0.689 0.546 0.673 0.177
PRIME (%Rank) < 0.5 0.210 0.131 0.524 0.716 0.679 0.163
DeepHLApan
(Immunogenic_score)		 > 0.5 0.145 0.083 0.590 0.499 0.553 0.087
IEDB tool > 0.0 0.137 0.078 0.578 0.478 0.532 0.080
DeepImmuno > 0.5 0.158 0.087 0.934 0.187 0.548 0.091
TESLA 컨소시움 기준 - 0.194 0.164 0.238 0.858 0.572 0.228
본 발명 (NeoPro-Onco) > 0.5 0.302 0.259 0.362 0.880 0.724 0.234
알고리즘 Threshold Independent test DB (P:79, N:3125)
F-Measure Precision Recall Accuracy ROC Area
(=AUC) 		PRC Area
(=prAUC)
NetMHCpan (%Rank_EL) < 0.5 0.285 0.176 0.747 0.908 0.942 0.317
MhcFlurry-2.0
(presentation_score)		 > 0.5 0.289 0.175 0.835 0.899 0.949 0.325
PRIME (%Rank) < 0.5 0.323 0.208 0.722 0.925 0.919 0.328
DeepHLApan
(Immunogenic_score)		 > 0.5 0.059 0.031 0.468 0.629 0.538 0.032
IEDB tool > 0.0 0.061 0.032 0.633 0.519 0.598 0.032
DeepImmuno > 0.5 0.110 0.058 0.892 0.139 0.608 0.099
TESLA 컨소시움 기준 - 0.382 0.385 0.380 0.970 0.682 0.390
본 발명 (NeoPro-Onco) > 0.5 0.415 0.358 0.494 0.966 0.955 0.429
본 발명의 경우, 10-fold cross-validation 수행 결과이며, 기존 공개된 프로그램 및 알고리즘의 경우, 전체 데이터를 대상으로 평가 수행한 결과이다. [표 4]를 참조하면, 본 발명에 따른 방법이 기존 공개된 프로그램 및 알고리즘 방법 대비, AUC 및 prAUC, F-measure 등에서 더 좋은 예측 정확도를 보임을 확인할 수 있다. [표 5]를 참조하면, 학습에 사용되지 않은 평가 데이터 세트에 대해서도 본 발명에 따른 방법이 기존 공개된 프로그램 및 알고리즘 방법 대비, AUC 및 prAUC, F-measure 등에서 더 좋은 예측 정확도를 보임을 확인할 수 있다.
[표 6]은 모든 요소를 포함하는 모델과 DIFFERENCE와 RATIO를 제외한 모델의 성능을 비교한 결과를 나타낸 것이다.
Algorithm Threshold Training DB (P:315, N:4067) Independent test DB (P:79, N:3125)
ROC Area
(=AUC) 		PRC Area
(=prAUC) 		ROC Area
(=AUC) 		PRC Area
(=prAUC)
모든 요소를 고려한 모델 > 0.5 0.724 0.234 0.955 0.429
12개의 differential index를 제외한 모델 > 0.5 0.730 0.226 0.954 0.408
면역원성/비면역원성 에피토프의 샘플수가 동일하지 않기 때문에, 더 적합한 성능 비교방법인 prAUC 기준으로 비교하였다. [표 6]을 참조하면, DIFFERENCE와 RATIO를 포함한 모델이 DIFFERENCE와 RATIO가 제외된 모델보다 더 높은 성능을 보여 Differential index(DIFFERENCE와 RATIO)가 면역원성 에피토프를 예측하는데 기여함을 확인할 수 있다.
이상, 본 발명내용의 특정한 부분을 상세히 기술하였는 바, 당업계의 통상의 지식을 가진 자에게 있어서, 이러한 구체적인 기술은 단지 바람직한 실시양태일 뿐이며, 이에 의해 본 발명의 범위가 제한되는 것이 아닌 점은 명백할 것이다. 따라서 본 발명의 실질적인 범위는 첨부된 청구항들과 그것들의 등가물에 의해 정의된다고 할 것이다.

Claims (8)

  1. 돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계;
    상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하는 단계;
    상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하는 단계;
    상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 단계;를 포함하는 돌연변이 에피토프의 면역원성을 예측하는 방법.
  2. 제1항에 있어서,
    상기 학습된 인공 지능 모델에 계산한 값을 입력하기 전, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index에 대해 표준화 및 정규화 중 적어도 하나를 수행하는 단계를 더 포함하는 돌연변이 에피토프의 면역원성을 예측하는 방법.
  3. 제1항에 있어서, 상기 differential index는,
    상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 비율(RATIO), 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값의 차이(DIFFERENCE) 중 적어도 하나를 포함하는, 돌연변이 에피토프의 면역원성을 예측하는 방법.
  4. 제1항에 있어서, 상기 differential index는,
    인산화, 소수성, 알려진 에피토프와의 유사성, 자기-단백체와의 비유사성, 에피토프 안정도, 항원 처리, MHC I 결합 친화도, pMHC 안정도, 면역, 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나에 대한 differential index인, 돌연변이 에피토프의 면역원성을 예측하는 방법.
  5. 제1항에 있어서, 상기 돌연변이 에피토프와 상기 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 면역원성에 영향을 주는 정도를 계산하는 단계는,
    알고리즘, 프로그램, 또는 툴을 이용해 계산하는 단계인, 돌연변이 에피토프의 면역원성을 예측하는 방법.
  6. 제1항에 있어서, 상기 생물학적 프로세스는,
    항원 처리 단계, 항원 제시 단계, 면역 단계, 및 종양 미세 환경으로 구성되고,
    상기 종양 미세 환경에 관여하는 요소는 염증 반응, B-세포 선형 에피토프, B-세포 형태 이상 에피토프 중 적어도 하나인, 돌연변이 에피토프의 면역원성을 예측하는 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체.
  8. 돌연변이 에피토프를 입력받거나, 상기 돌연변이 에피토프의 면역원성을 예측한 결과를 출력하는 입출력 장치;
    돌연변이 에피토프와 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 differential index와 돌연변이 에피토프에 대해 생물학적 프로세스에 관여하는 요소와 에피토프의 특성을 기초로 계산된 값을 이용하여 돌연변이 에피토프의 면역원성 예측하도록 학습된 인공 지능 모델을 저장하는 저장 장치; 및
    돌연변이 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 돌연변이 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대응하는 원시의 에피토프에 대한 생물학적 프로세스에 관여하는 요소와 에피토프의 특성 각각이 상기 원시의 에피토프의 면역원성에 영향을 주는 정도를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 원시의 에피토프에 대해 계산한 값을 기초로 differential index를 계산하고, 상기 돌연변이 에피토프에 대해 계산한 값과 상기 계산한 differential index를 이용해 사전에 학습된 인공 지능 모델에 입력하여, 상기 돌연변이 에피토프의 면역원성을 예측하는 연산 장치를 포함하는, 돌연변이 에피토프의 면역원성을 예측하는 장치.
PCT/KR2023/017786 2022-11-08 2023-11-07 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치 Ceased WO2024101856A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP23889114.7A EP4618089A4 (en) 2022-11-08 2023-11-07 METHOD FOR PREDICTING THE IMMUNOGENEITY OF A NEO-ANTIGEN EPITOPE, AND DEVICE USING IT
CN202380077884.8A CN120188218A (zh) 2022-11-08 2023-11-07 预测新抗原表位的免疫原性的方法及利用该方法的装置
JP2025526437A JP2025540613A (ja) 2022-11-08 2023-11-07 新生抗原エピトープの免疫原性を予測する方法およびそれを用いた装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0148030 2022-11-08
KR1020220148030A KR102936738B1 (ko) 2022-11-08 2022-11-08 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
WO2024101856A1 true WO2024101856A1 (ko) 2024-05-16

Family

ID=91033259

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/017786 Ceased WO2024101856A1 (ko) 2022-11-08 2023-11-07 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치

Country Status (5)

Country Link
EP (1) EP4618089A4 (ko)
JP (1) JP2025540613A (ko)
KR (1) KR102936738B1 (ko)
CN (1) CN120188218A (ko)
WO (1) WO2024101856A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026004863A1 (ja) * 2024-06-28 2026-01-02 中外製薬株式会社 予測方法、予測装置、予測プログラム及び予測モデル

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200109269A (ko) * 2019-03-12 2020-09-22 (주)신테카바이오 인공지능모델기반 분자동역학 빅데이터를 활용한 신생항원 면역치료정보 제공 시스템 및 방법
KR102399419B1 (ko) * 2013-05-10 2022-05-19 비온테크 에스이 T 세포 에피토프의 면역원성 예측 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102399419B1 (ko) * 2013-05-10 2022-05-19 비온테크 에스이 T 세포 에피토프의 면역원성 예측 방법
KR20200109269A (ko) * 2019-03-12 2020-09-22 (주)신테카바이오 인공지능모델기반 분자동역학 빅데이터를 활용한 신생항원 면역치료정보 제공 시스템 및 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GARTNER, J. J. et al. A machine learning model for ranking candidate HLA class I neoantigens based on known neoepitopes from multiple human tumor types. Nature Cancer. May 2021, vol. 2, pp. 563-574. *
SCHMIDT JULIEN, SMITH ANGELA R.; MAGNIN MORGANE; RACLE JULIEN; DEVLIN JASON R.; BOBISSE SARA; CESBRON JULIEN; BONNET VICTOR; CARMO: "Prediction of neo-epitope immunogenicity reveals TCR recognition determinants and provides insight into immunoediting", CELL REPORTS MEDICINE, ELSEVIER, vol. 2, no. 2, 1 February 2021 (2021-02-01), pages 100194, XP093170026, ISSN: 2666-3791, DOI: 10.1016/j.xcrm.2021.100194 *
See also references of EP4618089A4 *
SMITH CHRISTOF C., CHAI SHENGJIE, WASHINGTON AMBER R., LEE SAMUEL J., LANDONI ELISA, FIELD KEVIN, GARNESS JASON, BIXBY LISA M., SE: "Machine-Learning Prediction of Tumor Antigen Immunogenicity in the Selection of Therapeutic Epitopes", CANCER IMMUNOLOGY RESEARCH, AMERICAN ASSOCIATION FOR CANCER RESEARCH, US, vol. 7, no. 10, 1 October 2019 (2019-10-01), US , pages 1591 - 1604, XP055833773, ISSN: 2326-6066, DOI: 10.1158/2326-6066.CIR-19-0155 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2026004863A1 (ja) * 2024-06-28 2026-01-02 中外製薬株式会社 予測方法、予測装置、予測プログラム及び予測モデル

Also Published As

Publication number Publication date
KR102936738B1 (ko) 2026-03-10
EP4618089A1 (en) 2025-09-17
CN120188218A (zh) 2025-06-20
JP2025540613A (ja) 2025-12-16
EP4618089A4 (en) 2026-01-14
KR20240066802A (ko) 2024-05-16

Similar Documents

Publication Publication Date Title
Danilova et al. The mutation-associated neoantigen functional expansion of specific T cells (MANAFEST) assay: a sensitive platform for monitoring antitumor immunity
Ha et al. Recent advances in understanding the genetic basis of systemic lupus erythematosus
Hemmer et al. Identification of candidate T-cell epitopes and molecular mimics in chronic Lyme disease
Wells et al. Requirement for positive selection of γδ receptor-bearing T cells
WO2020185010A1 (ko) 인공지능모델기반 분자동역학 빅데이터를 활용한 신생항원 면역치료정보 제공 시스템 및 방법
Geleijns et al. HLA class II alleles are not a general susceptibility factor in Guillain–Barré syndrome
Pesesky et al. Antigen-driven expansion of public clonal T-cell populations in inflammatory bowel diseases
Vujovic et al. T cell receptor sequence clustering and antigen specificity
WO2022145877A1 (ko) 주기적으로 업데이트 되는 유전자 변이 검사 결과 리포트 자동 발행 시스템
CN114446389A (zh) 一种肿瘤新抗原特征分析与免疫原性预测工具及其应用
Merli et al. Human leukocyte antigen evolutionary divergence influences outcomes of paediatric patients and young adults affected by malignant disorders given allogeneic haematopoietic stem cell transplantation from unrelated donors
CN112885406A (zh) 检测hla杂合性缺失的方法及系统
Atkins et al. Evaluating NetMHCpan performance on non-European HLA alleles not present in training data
WO2024101854A1 (ko) 면역원성 에피토프를 예측하는 방법 및 이를 이용한 장치
WO2024194208A9 (en) Prediction of immunogenicity
Ritari et al. Computational analysis of HLA-presentation of non-synonymous recipient mismatches indicates effect on the risk of chronic graft-vs.-host disease after allogeneic HSCT
Yang et al. Identification of tumor rejection antigens and the immunologic landscape of medulloblastoma
Saksager et al. Autoimmune associated HLAs and T cell autoantigens exhibit common patterns across several autoimmune diseases
Ye et al. SIGANEO: Similarity network with GAN enhancement for immunogenic neoepitope prediction
WO2021071181A1 (ko) 면역항암제에 대한 저항성을 예측하는 방법 및 분석장치
KR102936738B1 (ko) 신생항원 에피토프의 면역원성을 예측하는 방법 및 이를 이용한 장치
WO2024111786A1 (ko) 다양한 길이의 펩타이드의 길이를 접힘으로 처리하여 신항원을 예측하는 방법 및 컴퓨터 프로그램
Heng et al. A simple pan-specific RNN model for predicting HLA-II binding peptides
He et al. UreB immunodominant epitope‐specific CD8+ T‐cell responses were beneficial in reducing gastric symptoms in Helicobacter pylori‐infected individuals
Letovsky et al. Association between HLA genetics and SARS-CoV-2 infection in a large real-world cohort

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23889114

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025526437

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025526437

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202380077884.8

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2023889114

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2023889114

Country of ref document: EP

Effective date: 20250610

WWP Wipo information: published in national office

Ref document number: 202380077884.8

Country of ref document: CN

WWP Wipo information: published in national office

Ref document number: 2023889114

Country of ref document: EP