Machine Learning verbessert die Vorhersage immunogener Neoantigene

- EN- DE - FR- IT
Forscher der Abteilung für Onkologie der UNIL-CHUV und der Lausanner Zweigstelle des Ludwig Instituts veröffentlichen eine neue Studie in "Immunity", die zeigt, dass Machine Learning (maschinelles Lernen) die Priorisierung von spezifischen Mutationen bestimmter Krebsarten, die Kandidaten für eine Immuntherapie sind, verbessert.

Einige Krebsformen enthalten viele Mutationen, aber nur eine kleine Teilpopulation, meist einige Dutzend, kann in die Strategie der Immuntherapie einbezogen werden. Daher besteht der entscheidende Schritt im Prozess der Immuntherapie in der sorgfältigen Auswahl der Mutationen, die das größte Erfolgspotenzial für die Immuntherapie haben.

Die von Markus Müller geleitete und von Michal Bassani-Sternberg betreute Studie * analysierte die Sequenzierungsdaten von 100 Krebspatienten. Über die herkömmlichen Merkmale der Neoantigen-Priorisierung hinausgehend, identifizierte die Studie Schlüsseldeterminanten wie die Lage des Neo-Peptids in den HLA-Präsentations-Hotspots, die Bindungspromiskuität und die Onkogenität des mutierten Gens und lieferte damit entscheidende Informationen für die Vorhersage der Immunogenität.

Durch die Integration von Methoden des maschinellen Lernens entwickelte das Team Klassifikatoren, die die Immunogenität von Neoantigenen in verschiedenen Datensätzen genau vorhersagten und die Klassifizierung von Neoantigenen um 30% verbesserten. Darüber hinaus führte die Forschung zu wertvollen standardisierten Datensätzen, um die damit verbundenen Algorithmen in neoantigenbasierten Immuntherapien voranzutreiben und zu bewerten.

Diese bahnbrechende Forschung eröffnet neue Perspektiven für Immuntherapien, indem sie ein tiefgreifendes Verständnis der Neoantigenselektion und ihrer Auswirkungen auf die Immunogenität liefert und letztlich darauf abzielt, die Strategien zur Krebsbehandlung zu revolutionieren.

* Machine learning methods and harmonized datasets improve immunogenic neoantigen prediction