作者，Evil Genius
参考文章Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy | Nature Biotechnology
鉴别源自患者的肿瘤反应性T细胞受体（T cell receptors，TCR）作为个性化转基因T细胞疗法的基础，仍然是一项耗时且费用昂贵的工作。目前的鉴定肿瘤反应性TCR的方法是通过分析肿瘤突变来预测T细胞激活抗原，并利用这些抗原来富集肿瘤浸润淋巴细胞（tumor infiltrating lymphocyte，TIL）培养物或验证个体TCR用于转基因自体疗法。
该研究结合高通量TCR克隆和反应性验证来训练predicTCR（一种机器学习分类器），它基于单个TIL RNA测序，以抗原不可知性方式识别个体肿瘤反应性TIL。
与以前的基因集富集方法相比，predicTCR更好地识别了来自不同癌症的TIL中的肿瘤反应性TCR，并将特异性和灵敏度从0.38提高到0.74。
通过在几天内预测肿瘤反应性TCR，可以优先考虑TCR克隆型，以加速个性化T细胞疗法的生产进程。
知识背景
目前的技术侧重于肿瘤抗原，使用突变体分析来确定最可能的免疫原性新表位，以实验筛选从TILs中恢复的TCR。
使用单细胞联合RNA + VDJ测序(scRNA + VDJ-seq)直接从T细胞中确定TCR序列和肿瘤反应性。
验证TCR的肿瘤反应性的过程需要生成能够准确概括肿瘤的突变景观和表位处理能力的肿瘤模型，这一过程因许多肿瘤的空间异质性而变得复杂。这样做的结果是，现有的数据集可能会由于假阴性的TCR检测结果而产生噪声，其中肿瘤模型缺乏许多在原发肿瘤中发现的靶表位。
解决这些问题将允许从单细胞RNA测序(scRNA-seq)数据单独识别肿瘤反应性til，而不管肿瘤类型。此外，通过无偏克隆TCR和包含大量负训练数据，可以训练机器学习分类器以自动方式从scRNA + VDJ-seq数据中识别肿瘤反应性TCR克隆型。
深度筛选从TILs中识别肿瘤反应性TCR
基于scRNA + VDJ数据的predicTCR分类器的开发
构建一个机器学习分类器，该分类器可以基于scRNA + VDJ-seq数据，使用下图策略准确、稳健地预测TIL衍生的TCR的肿瘤反应性。
实际表现
分类器网址
