肿瘤新抗原突变负荷（TNB）

肿瘤抗原根据其特异性可大致分为两类：肿瘤特异性抗原，只存在于肿瘤细胞中；肿瘤相关抗原，在肿瘤细胞中过度表达或异常表达，在一些正常细胞中也有表达。

除了异常的表达模式外，肿瘤细胞还含有一系列的癌症体细胞突变，蛋白质编码区的突变可能会产生肿瘤特有的突变蛋白。来自这些肿瘤特异性突变蛋白的肿瘤抗原是无可比拟的肿瘤生物标志物，因为它们只由肿瘤细胞产生，是潜在的肿瘤特异性突变抗原或新抗原。

简单来说：肿瘤新生抗原（Neoantigen）是源于肿瘤细胞中的突变基因的表达，是一类肿瘤特异性抗原（TSAs），并不存在于正常的组织器官当中

有些使用tumor-specific neoantigen（TSN）概念，有些使用的是Neoantigen Load（NAL）概念，肿瘤新抗原负荷（TNB）

肿瘤特异性新抗原，可以作为生物标志物来预测免疫检查点阻断疗法的治疗效果，并作为癌症免疫疗法的潜在目标。

在免疫检查点阻断疗法中，新抗原负荷与疗效相关（即PD-1、CTLA-4阻断），表明新抗原负荷是癌症免疫疗法中的一个重要生物标志物。

生物信息学主要通过相应的机器学习方法进行计算预测，相关的预测方法

这次发现的这个数据库使用的方法是NetMHCpan 2.8 (4.0)。

通过生物信息学方法预测新抗原主要是关注于多肽MHC结合亲和力、蛋白酶体剪切、抗原转运蛋白（TAP）转运效率、表达丰度、肿瘤异质性、克隆性和HLA LOH（杂合性缺失），相关的工具及算法相当多，比如：IEDB（Immune Epitope Database）是一个抗体和T细胞表位实验数据的数据库，同时整合了一些T细胞表位预测的工具，NetMHCpan4.0整合亲和力和洗脱配体数据进行MHC-I分子相关作用预测。而怎样选择计算机模拟工具和设置相关阈值精准地挑选出具有免疫原性的新抗原是个不小的挑战。

目前肿瘤新生抗原在开发上主要的挑战是如何准确地预测出真正的肿瘤新生抗原，由于其递呈过程多样、机制复杂，因此预测过程也不能是简单的线性叠加。对预测出的肿瘤新生抗原需要进行TCR反应性的验证（酶联免疫斑点试验ELISPOT，四聚体等技术），由于实验成本等因素导致了验证性数据相对较少。而基于机器学习和AI技术的预测算法需要通过验证性数据集的不断训练，其中数据类型、质量及体量都会极大地影响算法精确度。

总结一下： 1.肿瘤产生新抗原的过程很复杂，算法可能存在偏倚，不一定预测准确。 2.算法的优化和选择，未来还需要进一步深入。 3.实验成本比较高，验证数据少。

经过研究，TNB还是很有前景，计算方法和预测方法挺复杂。但是，有研究者把TCGA的数据进行了计算，直接拿来用就可以。TSNAdb，浙江大学的团队做的。

下载后，主要的数据有以下内容

对于每一项的解释，可以在文档中找到，About – TSNAdb，具体如何分组，并进行分析就要结合自己的数据和想法了。

参考文章 TSNAdb TSNAdb: A Database for Tumor-specific Neoantigens from Immunogenomics Data Analysis TSNAD: an integrated software for cancer somatic mutation and tumour-specific neoantigen detection Characterization of Neoantigen Load Subgroups in Gynecologic and Breast Cancers (frontiersin.org) 如何看懂基因检测报告之肿瘤突变负荷（TMB） 肿瘤新生抗原小科普