EPIP全称为Epitope Presentation Integrated Prediction，预测抗原能否被MHC-I分子呈递到细胞表面的逻辑回归模型，主要结合了抗原模式序列、表达量以及长度等信息进行预测。主流的预测模型使用亲和力数据来训练模型，而EPIP使用了超过18万条的质谱直接鉴定的被呈递到细胞表面的抗原多肽。在大规模MS和RNA序列数据集上进行了训练，使用更先进的机器学习技术，高质量的训练数据，加上抗原表达量和长度等特征使EPIP的表现要明显优于主流预测模型。

EPIC筛选个体化新生抗原多肽序列明显优于其他方法，平均0.1％PPV为51.59％，而MixMHCpred，NetMHCpan（EL），NetMHCpan（BA）和MHCflurry分别达到36.98％，36.41％，24.67％和23.39％，p值非常显着（P分别为1.263e-11、1.075e-11、5.267e-15、1.659e-14）

EPIC与其他方法的预测性能比较

a）EPIC和其他可公开获得的方法在独立MS数据集上的预测性能。评估数据集来自四个出版物，其中包含总共30个MS数据集，包括16个不同的组织起源和17个HLA等位基因。显示了这30个数据集的平均PPV 0.1％。EPIC明显优于其他具有不同表达式过滤阈值（TPM> 0，> 1，> 2）的方法，并且在图中显示了TPM> 2的成对P值（成对t检验）。b）。EPIC和其他公共可用方法在T细胞反应数据上的精确召回曲线。使用TPM> 0的表达阈值进行其他方法的预测。图S2显示了EPIC与TPM> 1和TPM> 2的其他方法的比较。c）EPIC和EDGE对免疫原性SNV的预测性能。根据原始论文的补充数据3c重新计算了EDGE的性能。d）EPIC和EDGE在最小表位上的预测性能。EDGE的表现来自原始纸图4。

对于癌症免疫疗法以及其他临床应用，最终任务通常是预测表位的免疫原性。最近发现，对表位呈递的准确预测可以显着改善免疫原性的预测。因此，我们下载了与Bulik-Sullivan等中使用的数据集相同的数据集，该数据集是从先前的四个出版物中收集的包含26种SNV和31种新抗原，其中17种患者的2,023个检测到的单核苷酸变体（SNV）中已有T细胞应答，以评估我们的方法与其他方法的比较。我们首先问到，EPIC相对于表位呈示的其他公开可用方法而言提高的准确性是否可以转化为更好的免疫原性预测。为了对此进行量化，我们通过对使用不同方法评分的所有SNV进行排名来绘制精确召回曲线（PRC），其中SNV的评分是SNV生成的所有可能表位的最高评分。EPIC的PRC面积（AUPRC）是其他方法的两倍以上，并且当我们将表达值阈值1或2 TPM应用于其他方法的预测时，仍保持优势。正如Bulik-Sullivan等人最初所做的那样，我们还在排名突变和最小表位（公认的与突变重叠的8-11-mer）的水平上比较了EPIC和EDGE 。在这两项评估中，EPIC与EDGE相当，尤其是排名前10位和排名前20位的突变和表位。在对突变进行优先排序时，排名前20位，前10位和前5位的免疫原性SNV数量分别为EPIC 18（69.23％），16（61.54 %%）和11（42.31％），以及19（73.08％），18。 （69.23％）和EDGE的12（46.15％）。当优先考虑最小表位时，EPIC在CD20 +识别的表位中排名前15位（48.39％），12位（38.71％）和5位（16.13％）。因此，尽管这是一个更为简单的模型，但数据比较却较少对于EDGE，EPIC在基于新抗原的癌症免疫治疗中的免疫原性预测方面也非常有价值，并且相对于其他公开可用的方法而言，具有重大改进。

9159金沙游戏场为您提供个体化肿瘤新生抗原免疫疗法套餐服务：

肿瘤组织外显子测序--->肿瘤新生抗原序列筛选--->新生抗原多肽制备