近日，《Frontiers in immunology》 (中科院二区，IF=5.9)在线发表了我院研究成果。我院鲁曼曼(基因组与生物信息研究所)为第一作者，刘杨（基因组与生物信息研究所）、许林锋（复旦大学）为共同一作；谢鹭（基因组与生物信息研究所）研究员为最后通讯作者，陈兰明教授（上海海洋大学），孙仑泉教授（中南大学湘雅医院）为共同通讯作者。

肿瘤免疫治疗作为改善患者生存率的关键策略，已成为研究重点。其中，基于新抗原的疫苗因其独特的肿瘤特异性，成为癌症免疫治疗的有力手段。临床数据表明，精准识别免疫原性新抗原是其临床应用的核心，但现有方法多依赖基因组/转录组数据，缺乏蛋白质组学数据整合、且免疫原性计算方法存在提升空间，限制了预测精度和可用性。

研究团队提出了OmniNeo，一种基于自动化多组学的新抗原发现框架。该流程通过结合全基因组测序（WGS/WES）、转录组学和蛋白质组学数据，能够识别由单核苷酸变异（SNVs）、插入缺失（Indels）、基因融合及非编码区变异引发的新抗原表位。团队同时开发了OmniNeo-CNN深度学习模型，通过多重免疫原性特征筛选，量化新抗原候选肽段的免疫原性及T细胞受体（TCR）识别潜力。

随后，团队通过对临床肝癌样本多组学数据的案例研究，验证了OmniNeo在肿瘤抗原靶点发现和疫苗设计上的应用潜力。通过整合大规模质谱数据验证新抗原在蛋白质水平的表达，OmniNeo筛选出潜在的新抗原候选肽段，可支持mRNA疫苗、肽疫苗设计和潜在T细胞免疫治疗的开发。进一步的免疫反应模拟验证了候选疫苗可能有效诱导抗肿瘤免疫应答。

该研究展示了OmniNeo在整合多组学数据及开发AI模型方面的核心优势，其相比现有工具在考虑TAP运输效率、MHC结合亲和力及TCR识别潜力等方面具备创新性。OmniNeo采用Nextflow工作流，提供了一站式高效分析平台，为个性化癌症疫苗设计提供了一个技术支持平台。

该研究受到国家生物药技术创新中心项目和上海市科技创新行动计划计算生物学领域项目支持。

原文链接：https://www.frontiersin.org/journals/immunology/articles/10.3389/fimmu.2025.1727642/full