جهشهای سوماتیک در سلولهای سرطانی میتوانند نئواپیتوپهای خاص تومور را ایجاد کنند که توسط سلولهای T اتولوگ در میزبان شناسایی میشوند. از آنجایی که نئواپیتوپها در معرض تحمل سیستم ایمنی مرکزی نیستند و در بافتهای سالم بیان نمیشوند، اهداف جذابی برای واکسنهای درمانی سرطان هستند. از آنجایی که اکثریت قریب به اتفاق جهشهای سرطانی منحصر به فرد هستند، استفاده از پتانسیل کامل این منبع غنی از اهداف نیازمند رویکردهای درمانی فردی است.
بسیاری از الگوریتمهای محاسباتی و ابزارهای یادگیری ماشین، برای شناسایی جهشها در دادههای توالی، اولویتبندی جهشها با احتمال بیشتر شناسایی شدن توسط سلولهای T و طراحی واکسنهای مناسب برای هر بیمار توسعه داده شدهاند. در این بررسی شکافهای بین درک مکانیسمهای اساسی تشخیص سلولهای T نئوآنتی ژنها و رویکردهای محاسباتی برای کشف جهشهای سوماتیک و پیشبینی نئوآنتی ژن برای ایمونوتراپی سرطان پر شده است. ما طبقهبندی جدیدی از نئوآنتیژنها را ارائه میکنیم، که بین نئوآنتیژنهای محافظ، مهار شده و نادیده گرفته شده، بر اساس اینکه چگونه آنها ایمنی ضد توموری ماهری را در یک زمینه بالینی خاص ایجاد میکنند، تمایز قائل میشویم. این تمایز مبتنی بر زمینه، به چارچوبی کمک می کند که زیست شناسی نئوآنتی ژن را به شرایط بالینی و ویژگیهای پزشکی سرطان متصل میکند و درمانهای مبتنی بر نئوآنتی ژن را قادر میسازد مزایای بالینی بیشتری ارائه دهند.
منبع:
ارسال به دوستان