免疫治疗标志物与免疫检查点预测¶

# 新抗原预测流程：体细胞突变 → 突变肽段 → MHC结合预测

# 第 1 步：从突变生成候选肽段
# 用 pvacseq（pVACtools 的一部分）
pip install pvactools  # 安装pVACtools

# 第 2 步：HLA 分型（确定患者的 MHC 类型）
# 用 OptiType 从 WES 数据推断 HLA 分型
conda install -c bioconda optitype

OptiType -i sample_R1.fastq.gz sample_R2.fastq.gz \  # 输入FASTQ
         --dna \                                        # DNA测序数据
         --outdir optitype_results/                    # 输出目录

# 输出 HLA 分型，例如：HLA-A*02:01, HLA-B*07:02, HLA-C*07:01

# 第 3 步：运行 pVACseq 预测新抗原
pvacseq run \
    annotated_somatic.vcf \         # VEP注释后的体细胞突变VCF
    sample_name \                    # 样本名
    "HLA-A*02:01,HLA-B*07:02" \    # HLA分型结果
    MHCflurry MHCnuggetsI NetMHCpan \ # 预测算法（多个）
    neoantigen_results/ \            # 输出目录
    -e1 8,9,10,11 \                  # MHC-I肽段长度(8-11个氨基酸)
    --iedb-install-directory /path/to/iedb  # IEDB安装目录

# 输出文件：
# all_epitopes.tsv — 所有候选新抗原
# filtered.tsv — 过滤后的高置信度新抗原
# 包含：突变信息、肽段序列、IC50结合亲和力

# IC50 < 500nM → 可能被MHC展示
# IC50 < 50nM → 强结合（高优先级新抗原候选）

# ========== Python脚本：新抗原质量评分 ==========
import pandas as pd

# 读取 pVACseq 结果
epitopes = pd.read_csv("neoantigen_results/all_epitopes.tsv",
                        sep="\t")                      # 读取结果

# 优先排序标准
# 1. IC50 < 500nM（MHC结合力）
# 2. 突变型IC50 < 野生型IC50（突变增强结合）
# 3. 基因表达量高（RNA-seq数据）
# 4. 克隆突变优于亚克隆突变
# 5. VAF高

# 综合评分
epitopes['agretopicity'] = (
    epitopes['WT IC50 Score'] / epitopes['MT IC50 Score']  # 突变/野生型IC50比
)
# agretopicity > 1 → 突变增强了MHC结合（好的新抗原特征）

# 筛选高优先级新抗原
high_priority = epitopes[
    (epitopes['MT IC50 Score'] < 500) &                 # 结合力强
    (epitopes['agretopicity'] > 1.5) &                  # 突变增强结合
    (epitopes['Tumor DNA VAF'] > 0.1)                   # VAF>10%
]

print(f"高优先级新抗原数量: {len(high_priority)}")
high_priority.to_csv("high_priority_neoantigens.tsv",
                      sep="\t", index=False)

# ========== R脚本：CIBERSORT 免疫细胞反卷积 ==========
# CIBERSORT 从bulk RNA-seq估计免疫细胞比例

# 使用 immunedeconv 包（整合多种方法）
# install.packages("immunedeconv")
library(immunedeconv)                                  # 加载包

# 读取表达矩阵（TPM格式）
expr <- read.csv("expression_tpm.csv", row.names=1)    # 基因×样本矩阵

# 运行 CIBERSORT
cibersort_result <- deconvolute(
    expr,                                               # 表达矩阵
    method = "cibersort_abs"                            # CIBERSORT绝对模式
)

# 运行其他方法比较
timer_result <- deconvolute(expr, method = "timer")     # TIMER
xcell_result <- deconvolute(expr, method = "xcell")     # xCell

# 提取关键免疫细胞比例
# CD8+ T细胞比例高 → 免疫热肿瘤 → 可能响应ICB
# Treg比例高 → 免疫抑制 → 可能不响应

# TIDE（Tumor Immune Dysfunction and Exclusion）
# 在线工具：http://tide.dfci.harvard.edu/

# 也可以用 Python API
pip install tidepy  # 安装tidepy（如果可用）

# 或直接用R/Python提交
# 准备输入：基因表达矩阵（TPM，行=基因，列=样本）
# 上传到 TIDE 网站或使用 API

# TIDE 评分解读：
# TIDE score 高 → 预测不响应ICB
# TIDE score 低 → 预测响应ICB
# TIDE 考虑两个维度：
#   - Dysfunction: T细胞功能障碍程度
#   - Exclusion: T细胞被排斥程度

# ========== 综合ICB响应预测 ==========
import pandas as pd

def predict_icb_response(tmb, msi_status, pdl1_tps,
                          cd8_infiltration, tide_score,
                          neoantigen_count):
    """综合多标志物预测ICB响应"""
    score = 0                                          # 初始评分
    evidence = []

    # TMB
    if tmb >= 10:
        score += 2
        evidence.append(f"TMB-H ({tmb} mut/Mb)")      # TMB高

    # MSI
    if msi_status == "MSI-H":
        score += 3                                      # MSI-H权重最高
        evidence.append("MSI-H/dMMR")

    # PD-L1
    if pdl1_tps >= 50:
        score += 2
        evidence.append(f"PD-L1 TPS≥50% ({pdl1_tps}%)")
    elif pdl1_tps >= 1:
        score += 1
        evidence.append(f"PD-L1 TPS 1-49% ({pdl1_tps}%)")

    # CD8 浸润
    if cd8_infiltration == "high":
        score += 1
        evidence.append("CD8+ T cell high")

    # TIDE
    if tide_score < 0:
        score += 1
        evidence.append(f"TIDE favorable ({tide_score:.2f})")

    # 新抗原
    if neoantigen_count >= 10:
        score += 1
        evidence.append(f"High neoantigen load ({neoantigen_count})")

    # 综合判断
    if score >= 5:
        prediction = "Likely Responder"                 # 可能响应
    elif score >= 3:
        prediction = "Possible Responder"               # 可能响应
    else:
        prediction = "Unlikely Responder"               # 不太可能响应

    print(f"ICB响应预测: {prediction} (Score: {score}/10)")
    print(f"支持证据: {', '.join(evidence)}")
    return prediction, score

# 使用示例
predict_icb_response(
    tmb=15, msi_status="MSS", pdl1_tps=60,
    cd8_infiltration="high", tide_score=-0.5,
    neoantigen_count=25
)

# === 免疫治疗标志物速查 ===

# FDA批准的ICB预测标志物：
# PD-L1 TPS ≥1% (NSCLC一线pembrolizumab)
# PD-L1 CPS ≥10 (胃癌pembrolizumab)
# TMB ≥10 mut/Mb (所有实体瘤pembrolizumab)
# MSI-H/dMMR (所有实体瘤pembrolizumab)

# 新抗原预测工具：
# pVACseq (pVACtools) — 标准新抗原预测
# NetMHCpan — MHC结合预测
# OptiType — HLA分型

# 免疫浸润分析：
# CIBERSORT/CIBERSORTx — 免疫反卷积
# TIMER — 肿瘤免疫估计
# xCell — 64种细胞类型

# 综合评分：
# TIDE — 免疫功能障碍和排斥
# GEP (18-gene) — Merck开发的基因表达谱