肿瘤免疫编辑分析¶

# === 免疫编辑评分计算 ===
import pandas as pd                    # 数据处理
import numpy as np                     # 数值计算
from scipy import stats                # 统计检验

def immune_editing_score(mutations_df, binding_threshold=500):
    """
    计算免疫编辑评分
    mutations_df: 包含突变信息和MHC结合预测的DataFrame
    binding_threshold: MHC结合亲和力阈值(nM)
    """
    # 分类突变
    # 新抗原：突变肽结合力 < 500nM（能被MHC呈递）
    # 非免疫原性：突变肽结合力 >= 500nM
    neoantigens = mutations_df[
        mutations_df["MT_IC50"] < binding_threshold    # 突变肽强结合
    ]
    non_immunogenic = mutations_df[
        mutations_df["MT_IC50"] >= binding_threshold   # 突变肽弱结合
    ]

    # 计算克隆性（只看克隆突变，CCF > 0.7）
    clonal_neo = neoantigens[neoantigens["CCF"] > 0.7]      # 克隆新抗原
    clonal_non = non_immunogenic[non_immunogenic["CCF"] > 0.7]  # 克隆非免疫原性

    # 计算亚克隆比例
    subclonal_neo = neoantigens[neoantigens["CCF"] <= 0.7]   # 亚克隆新抗原
    subclonal_non = non_immunogenic[non_immunogenic["CCF"] <= 0.7]

    # 免疫编辑评分 = 观测的克隆新抗原比例 / 预期比例
    total_clonal = len(clonal_neo) + len(clonal_non)
    total_subclonal = len(subclonal_neo) + len(subclonal_non)

    if total_clonal > 0 and total_subclonal > 0:
        observed_ratio = len(clonal_neo) / total_clonal       # 观测比例
        expected_ratio = len(subclonal_neo) / total_subclonal  # 预期比例
        ie_score = observed_ratio / expected_ratio if expected_ratio > 0 else float("inf")
    else:
        ie_score = None

    print(f"克隆新抗原数: {len(clonal_neo)}")
    print(f"亚克隆新抗原数: {len(subclonal_neo)}")
    print(f"免疫编辑评分: {ie_score:.3f}" if ie_score else "无法计算")
    print(f"  < 1 → 免疫编辑发生（新抗原被选择性清除）")
    print(f"  ≈ 1 → 无明显免疫编辑")
    print(f"  > 1 → 免疫系统未有效清除")

    return ie_score

# === HLA LOH 分析（LOHHLA 工具） ===

# 1. 先进行 HLA 分型（OptiType）
OptiTypePipeline.py \
  -i tumor.bam \                       # 肿瘤BAM
  --dna \                              # DNA模式
  -o optitype_tumor/                   # 输出目录

OptiTypePipeline.py \
  -i normal.bam \                      # 正常BAM
  --dna \
  -o optitype_normal/

# 2. 运行 LOHHLA 检测 HLA LOH
Rscript LOHHLA.R \
  --patientId patient1 \               # 患者ID
  --normalBAMfile normal.bam \         # 正常BAM
  --tumorBAMfile tumor.bam \           # 肿瘤BAM
  --HLAfasta hla_ref.fa \             # HLA参考序列
  --HLATypes "hla_a_01_01,hla_a_02_01,hla_b_07_02,hla_b_44_02" \  # HLA分型
  --CopyNumLoc facets_cncf.txt \       # 拷贝数数据
  --outputDir lohhla_output/           # 输出目录

# 结果解读：
# HLA_type1copyNum_withBAFBin < 0.5 → 该HLA等位基因可能丢失
# pVal < 0.01 → 统计显著的HLA LOH