一种面向肝细胞癌的群体TCR广泛识别候选肽段筛选方法及系统

本发明涉及生物信息学、机器学习、免疫信息学和肿瘤抗原候选肽段筛选，尤其涉及一种面向肝细胞癌的群体tcr广泛识别候选肽段筛选方法及系统。

背景技术：

1、肝细胞癌（hepatocellularcarcinoma，hcc）是常见的恶性肿瘤类型之一。基于肿瘤相关抗原、病毒相关抗原或突变新抗原的疫苗候选设计通常需要从大量候选肽段中筛选出更可能被免疫系统识别的肽段。一个候选肽段能否成为有价值的免疫候选物，通常与其被hla分子呈递以及被t细胞受体（tcellreceptor，tcr）识别的能力有关。

2、现有计算方法中，一类方法主要预测肽段与hla之间的结合或呈递能力，另一类方法主要预测肽段与某一条tcrcdr3序列之间的结合可能性。这些方法能够评估特定配对的相互作用，但在面向群体疫苗候选肽段设计时仍存在不足。

3、第一，仅预测某一条tcr与某一条肽段是否结合，容易把筛选目标限定在单个患者、单个tcr克隆或少数已知cdr3序列上。对于希望筛选出能够被更多肝细胞癌相关tcr识别的候选肽段的场景，更需要评估肽段在群体级hcctcr识别空间中的整体可识别性。

4、第二，hcc相关tcr数据具有克隆丰度差异、v/j基因使用差异和患者来源差异。如果只统计高于阈值的tcr数量，可能忽略高频tcr克隆的重要性；如果只看最高结合概率，则可能筛选出仅被少数tcr识别的肽段；如果不考虑vj组合多样性，则可能将主要依赖单一克隆型背景的肽段误判为具有广泛识别潜力。

5、第三，通用肽段-hla或肽段-tcr模型未必充分适配肝细胞癌场景。肝细胞癌相关抗原、hbv/hcv相关抗原、肝脏免疫肽组、肿瘤浸润tcr和疫苗反应相关tcr具有特定分布，直接采用通用模型可能导致hcc特定肽段或tcr背景下的泛化能力不足。

6、因此，需要一种能够先构建面向肝细胞癌的免疫结合预测模型，再将候选肽段与大量hcc相关tcrcdr3进行组合预测，并进一步融合结合强度、tcr克隆丰度、识别广度和vj多样性的候选肽段筛选方法。该方法的目标不是判断某个患者体内某一条具体cdr3是否识别某个肽段，而是以肽段为主体，评估该肽段是否更容易在广泛意义上被多种hcc相关cdr3识别。

技术实现思路

1、本发明的目的在于解决现有预测方法仅局限于单一tcr序列评估且未充分考虑tcr克隆丰度、vj多样性及肝细胞癌场景特异性，引起的筛选出的候选肽段缺乏群体级广泛识别潜力、易受单一克隆偏置影响且泛化能力不足的技术问题。

2、为了实现上述目的本发明采用以下技术手段：

3、本发明提供了一种面向肝细胞癌的群体tcr广泛识别候选肽段筛选方法，用于非疾病诊断和治疗目的的体外数据处理，包括：

4、步骤1，获取免疫序列训练数据，所述免疫序列训练数据包括hla序列数据、免疫肽段序列数据、t细胞受体cdr3序列数据以及肝细胞癌相关抗原或t细胞受体数据；

5、步骤2，基于所述免疫序列训练数据构建肝细胞癌定向免疫结合预测模型，所述肝细胞癌定向免疫结合预测模型包括hla编码器、肽段编码器、tcr编码器、肽段-hla交叉注意力模块、肽段-tcr交叉注意力模块以及分类输出模块；

6、利用所述免疫序列训练数据分别对所述hla编码器、所述肽段编码器和所述tcr编码器进行领域自适应预训练；

7、将预训练后的编码器通过投影适配层接入所述交叉注意力模块，并利用配对数据进行两阶段监督训练，得到能够输出肽段与tcrcdr3结合概率的肝细胞癌定向免疫结合预测模型；

8、步骤3，获取候选肽段集合和肝细胞癌相关tcrcdr3库，所述肝细胞癌相关tcrcdr3库中的每条tcr记录包括cdr3氨基酸序列、v基因片段、j基因片段以及克隆丰度信息；

9、步骤4，构造所述候选肽段集合中每个候选肽段与所述肝细胞癌相关tcrcdr3库中每条tcr记录的肽段-tcr组合，并将所述肽段-tcr组合输入所述肝细胞癌定向免疫结合预测模型，得到每个候选肽段与每条tcr记录之间的结合概率，并基于所述结合概率构建结合概率矩阵；

10、步骤5，对所述结合概率矩阵中低于预设概率阈值的结合概率进行过滤，基于所述克隆丰度信息确定各tcr记录的tcr权重，并针对每个候选肽段计算强结合评分、广度评分和vj多样性评分；根据所述强结合评分、所述广度评分和所述vj多样性评分计算每个候选肽段的群体tcr识别综合评分；

11、步骤6，按照所述群体tcr识别综合评分对所述候选肽段集合进行排序，输出候选肽段排名结果。

12、上述方案中，所述步骤1中的免疫序列训练数据还包括hlapseudo-sequence和hla结合槽相关残基序列；

13、所述步骤2中的领域自适应预训练包括：

14、对所述hla编码器执行掩码语言建模任务、结合槽残基增强掩码任务、hla等位基因家族预测任务以及完整序列与pseudo-sequence一致性对比学习任务中的至少一种；

15、对所述肽段编码器执行短肽掩码语言建模、连续片段掩码重构、肽段长度区间预测和肽段来源类型预测中的至少一种；

16、对所述tcr编码器执行tcr掩码语言建模、v基因片段预测、j基因片段预测、配对αβ链对比学习和组织或疾病来源辅助预测中的至少一种。

17、上述方案中，所述步骤2中的两阶段监督训练包括：

18、在第一阶段，输入肽段-hla配对数据，冻结tcr编码器及其适配层和肽段-tcr交叉注意力模块，更新肽段适配层、hla适配层、肽段-hla交叉注意力模块和肽段-hla分类输出模块；

19、在第二阶段，输入肽段-tcr配对数据，冻结hla编码器及其适配层、肽段-hla交叉注意力模块和肽段-hla分类输出模块，更新肽段适配层、tcr适配层、肽段-tcr交叉注意力模块和肽段-tcr分类输出模块；其中，所述肽段适配层在第一阶段和第二阶段均被更新。

20、上述方案中，所述步骤3中的候选肽段集合包括由肝细胞癌样本突变位点生成的突变新抗原候选肽、来源于肿瘤相关抗原或病毒蛋白的抗原肽、或由质谱检测得到的肝细胞癌相关hla呈递肽中的至少一种；

21、所述步骤4中构建结合概率矩阵包括：将所述结合概率矩阵的行对应候选肽段，列对应tcrcdr3，矩阵元素为对应候选肽段与对应tcrcdr3之间的结合概率。

22、上述方案中，所述步骤5中对所述结合概率矩阵中低于预设概率阈值的结合概率进行过滤，基于所述克隆丰度信息确定各tcr记录的tcr权重包括：

23、定义第条tcr记录与第个候选肽段之间的结合概率为，预设概率阈值为，则过滤后的有效结合概率满足：

24、

25、当所述tcr记录包括克隆丰度clonefraction时，以clonefraction或其归一化结果作为对应tcr记录的tcr权重；当所述tcr记录包括克隆丰度clonecount时，按照各tcr记录clonecount占总clonecount的比例确定tcr权重。

26、上述方案中，所述步骤5中针对每个候选肽段计算强结合评分、广度评分包括：

27、针对第个候选肽段，其强结合评分和广度评分分别按照下式计算：

28、

29、

30、其中，表示第条tcr记录的tcr权重，为强结合指数。

31、上述方案中，所述步骤5中计算vj多样性评分及步骤6中的群体tcr识别综合评分包括：

32、按照v基因片段和j基因片段的组合将tcr记录划分为多个vj组，计算第个vj组对第个候选肽段的贡献比例：

33、

34、计算第个候选肽段的vj多样性熵：

35、

36、根据对第个候选肽段有非零贡献的vj组数量，对进行归一化得到，当大于1时：

37、

38、当kⱼ等于1时：

39、

40、所述群体tcr识别综合评分按照下式计算：

41、

42、其中，表示第个vj组，为vj多样性权重，为广度权重。

43、所述步骤2中的领域自适应预训练和两阶段监督训练采用多任务联合损失函数进行优化，所述多任务联合损失函数包括：

44、针对所述hla编码器的掩码语言建模损失、结合槽残基增强掩码损失和完整序列与pseudo-sequence一致性对比学习损失；

45、针对所述肽段编码器的连续片段掩码重构损失和来源类型预测损失；针对所述tcr编码器的v基因片段分类损失、j基因片段分类损失和配对αβ链对比学习损失；

46、以及在两阶段监督训练中的肽段-hla二分类损失、肽段-tcr二分类损失和虚拟对抗训练损失；

47、所述多任务联合损失函数通过预设的权重参数对上述各项损失进行加权求和。

48、针对所述hla编码器的各项损失：

49、

50、

51、

52、

53、其中，表示hla序列，表示第位真实残基，为被遮蔽位置集合，表示遮蔽后的输入，表示结合槽残基集合，为残基权重，为类别集合，和分别为真实标签和预测概率，和分别为完整序列和pseudo-sequence表示，为批次内候选集合，为相似度函数，为温度系数；

54、针对所述肽段编码器的各项损失：

55、

56、

57、

58、

59、表示肽段序列，为随机遮蔽位置集合，为连续遮蔽片段集合，为连续片段，为片段长度，和分别为长度区间类别和来源类型类别；

60、针对所述tcr编码器的各项损失：

61、

62、

63、

64、

65、

66、表示tcr序列，为遮蔽位置集合，和分别为v基因和j基因片段类别集合，和分别为α链和β链表示，为组织或疾病来源类别；

67、在两阶段监督训练中的各项损失：

68、

69、其中，虚拟对抗扰动的计算公式为：

70、

71、

72、和分别为肽段-hla和肽段-tcr训练集，和为样本权重，为二分类标签，为预测概率，为样本总数，为kl散度，为模型预测分布，为连续嵌入，为扰动半径，为梯度，为锚样本集合，为正样本集合，为候选样本集合，为监督对比学习温度系数。

73、本发明还提供了一种实现所述方法的一种面向肝细胞癌的群体tcr广泛识别候选肽段筛选系统，包括：

74、训练数据获取模块，用于获取免疫序列训练数据；

75、模型构建与训练模块，用于构建肝细胞癌定向免疫结合预测模型，并对编码器进行领域自适应预训练和两阶段监督训练；

76、候选数据获取与组合模块，用于获取候选肽段集合和肝细胞癌相关tcrcdr3库，并构造肽段-tcr组合；

77、概率预测与矩阵构建模块，用于输出结合概率并构建结合概率矩阵；评分与排序模块，用于对结合概率进行过滤，确定tcr权重，计算强结合评分、广度评分、vj多样性评分和群体tcr识别综合评分，并输出候选肽段排名结果。

78、本发明还提供了一种电子设备，包括处理器、存储器和通信接口，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的方法。

79、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法。

80、因为本发明采用上述技术手段，因此具备以下有益效果：

81、1.本发明通过步骤s103分别对hla编码器、肽段编码器和tcr编码器进行领域自适应预训练，并通过步骤s104保留hla、肽段和tcr的token级隐藏状态供交叉注意力模块计算，解决了现有候选肽段筛选方法难以同时刻画残基层面的肽段-hla呈递关系和肽段-tcr识别关系的技术问题，达到了提高肝细胞癌场景下免疫结合预测模型对局部相互作用特征表征能力的效果。

82、2.本发明通过步骤s107获取候选肽段集合和hcc相关tcrcdr3库，并通过步骤s108至s110将候选肽段与大量hcc相关tcrcdr3进行全组合预测及肽段级评分，解决了现有方法容易仅围绕单一tcr、单一患者cdr3或少量配对样本进行筛选而难以反映群体tcr可识别性的技术问题，达到了将配对级结合概率转换为肽段级群体识别评分并提高候选肽段群体适用性的效果。

83、3.本发明通过在步骤s107保留clonecount或clonefraction，并在步骤s110中根据tcr克隆丰度计算tcr权重，解决了不同扩增程度tcr克隆在评分中被简单等同处理、不能反映抗原驱动克隆扩增信号的技术问题，达到了使高频hcc相关tcr克隆对候选肽段评分产生更合理贡献并降低低丰度噪声影响的效果。

84、4.本发明通过步骤s110对结合概率进行低概率过滤，并组合强结合评分和广度评分，解决了仅采用最高结合概率容易受单个异常高分配对影响、仅采用覆盖数量又容易受大量低概率噪声影响的技术问题，达到了使候选肽段排序同时反映结合强度和可覆盖tcr范围的效果。

85、5.本发明通过步骤s107获取tcrv基因片段和j基因片段信息，并在步骤s110中基于v/j基因组合熵计算vj多样性评分，解决了候选肽段评分可能被单一vj克隆型背景tcr集中支配、难以区分广泛识别与局部克隆扩增的技术问题，达到了奖励可被不同vj克隆型背景tcr识别的候选肽段并提高候选疫苗肽段广泛识别潜力筛选能力的效果。

86、6.本发明通过将患者级、tcr级、肽段级、hla等位基因级或数据来源级划分，与候选肽段-tcr全组合预测、tcr克隆丰度加权、强结合评分、广度评分和vj多样性评分进行组合，产生了从模型训练评估到肽段级排序输出的一致约束协同效果，解决了单独采用配对概率预测、单一克隆丰度指标或单一多样性指标时容易出现数据泄漏、单一患者或单一克隆型偏置以及候选肽段排名不稳定的技术问题，达到了使最终候选肽段排名同时反映hla呈递能力、群体tcr覆盖范围、克隆扩增信号和vj克隆型多样性的效果。