← NEOIMMUNE AI · Yayınlar
Özet kitap

Neoantijen Keşfi: Özet Kitap

Referans kitabın her bölümünün özeti, öne çıkan bulguları ve açıkça kabul ettiği sınırlar; tam metne hızlı bir giriş.

Araştırma kaynağı — hakemli yayın değildirNEOIMMUNE AI · İstanbulv1.0 · 2026-11-12 CC BY 4.0TR / EN
Künye
NEOIMMUNE AI, İstanbul, Türkiye. Araştırma amaçlıdır; klinik karar desteği değildir.
Hacim
5 sayfa · 6 tablo/şekil · 1 611 sözcük
SHA-256
cfbdc7e6103d9933cfd651a2da871c6c56608b7670d55d9b54f391ec80a13732

Yapılandırılmış özet

Kapsam

Somatik mutasyondan köken alan neoantijenlerin keşfi, önceliklendirilmesi ve deneysel doğrulanması; örnek hastalık olarak evre III–IV kutanöz melanom.

Yapı

Altı kısım, yirmi bölüm ve iki ek; her bölüm bir özetle açılır ve öne çıkan bulgular ile sınırlar ayrı ayrı işaretlenir.

Yöntem

Metin, TRIPOD+AI ve DOME raporlama önerilerine göre yazılmıştır; her sayısal iddia birincil kaynağa bağlanmıştır.

Sınırlar

Araştırma amaçlıdır; klinik karar desteği değildir. Hiçbir hasta verisi içermez; tüm sayılar planlanan hedef ya da sentetik gösterimdir.

BÖLÜM 1

Neoantijen kavramı ve tümör immünogenisitesi

1.1Özet

Neoantijenler, tümör hücresinde biriken somatik mutasyonlardan köken alan ve normal dokuda bulunmayan peptitlerdir. Merkezî toleransın kapsamı dışında kaldıkları için yüksek afiniteli T hücre klonları tarafından tanınabilirler. Bu bölüm, kavramın tanımını, tümör antijenleri arasındaki yerini ve neden bireyselleştirilmiş tedavinin doğal hedefi hâline geldiğini ortaya koyar.

1.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Mutasyon taşımak tek başına neoantijen olmak için yeterli değildir; sunum ve tanınma ayrı koşullardır.
  • Üç kanıt düzeyi — aday, sunulduğu doğrulanmış, immünojenik — birbirinin yerine kullanılamaz.
  • Normal dokuda bulunmayış, neoantijenlerin kendilik antijenlerine göre temel üstünlüğüdür.
  • Klonal neoantijenler, subklonal olanlara göre daha güvenilir hedeflerdir.
  • Klonalite tahmini saflık ve kopya sayısı düzeltmesine bağımlıdır; tek biyopsi iyimser sonuç verir.
  • Paylaşılan neoantijenler raf ürünü tedaviye imkân verir ama kapsamları dardır.
  • Sürücü mutasyon sıklığı, sunum verimliliğini öngörmez.

1.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Mutasyon yükü ile yanıt arasındaki ilişki istatistikseldir ve bireysel hasta için öngörü değeri sınırlıdır.
  • Yüksek mutasyon yükü, genomik kararsızlığın da göstergesidir; nedensel yolaklar ayrıştırılmamıştır.
  • Yalnızca tek nükleotid varyantlarını kapsayan bir hat, çerçeve kayması ve füzyon kaynaklı adayları kaçırır.
BÖLÜM 2

HLA sınıf I işlenme ve sunum yolağı

2.1Özet

Bir peptidin T hücresine görünür olabilmesi, proteazomdan HLA molekülüne uzanan çok basamaklı bir yolaktan geçmesine bağlıdır. Bu bölüm o yolağın basamaklarını, her basamağın getirdiği seçiciliği ve yolağın neden tahmin modellerinin başarımını sınırlayan asıl etken olduğunu ele alır.

2.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • En az dört haneli HLA çözünürlüğü, anlamlı bir tahmin için asgari koşuldur.
  • Geniş alel kapsamı, her alel için eşit doğruluk anlamına gelmez; eğitim verisi yoğunluğu raporlanmalıdır.
  • Kalıcı CD8+ yanıt için CD4+ yardım gereklidir; sınıf II ihmal edilemez.
  • Uzun peptitler iki sınıfı aynı molekülde taşır ve ölçülmüş bir üstünlük sağlar.

2.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Sunum yolağı birikimli bir filtredir; bağlanma skoru bu filtrenin tamamını modellemez.
  • Sessiz olmayan mutasyonların sunulan neoantijen kodlama oranı için ölçülen alt sınır %0,5 düzeyindedir.
BÖLÜM 3

Mutasyon imzaları ve melanomun konumu

3.1Özet

Tümörlerdeki mutasyon örüntüleri rastgele değildir; belirli mutasyonel süreçlerin bıraktığı imzaları taşır. Bu bölüm, imzaların neoantijen yükü üzerindeki etkisini ve melanomun ultraviyole imzası nedeniyle neden ayrı bir yerde durduğunu inceler.

3.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Melanomun yüksek mutasyon yükü aday havuzunu genişletir; bu, önceliklendirmeyi kolaylaştırmaz, zorunlu kılar.
  • Adjuvan ortamda karşılaştırma ölçütü kontrol noktası inhibitörüdür, plasebo değil.
BÖLÜM 4

T hücre tanıma ve repertuvar

4.1Özet

Sunulmuş bir peptidin immünolojik sonuç doğurabilmesi, onu tanıyacak bir T hücre reseptörünün repertuvarda bulunmasına bağlıdır. Bu bölüm, tanımanın yapısal temelini, repertuvarın ölçülmesini ve özgüllük iddiasının hangi kanıtla desteklenebileceğini ele alır.

4.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Bir TCR dizisinin saptanması, özgüllüğün kanıtı değildir; bağlanma doğrudan gösterilmelidir.
  • Tedavi sonrası klonal genişleme, hangi peptidin tanındığını belirlemez.
  • Germline varyantın somatik sanılması hem boş hedef hem de teorik otoimmünite riski üretir.
  • Kendilik benzerliği taraması yapılmadan aday ilerletilmez.
BÖLÜM 5

Numune, preanalitik kalite ve doku yeterliliği

5.1Özet

Neoantijen hattının en kırılgan basamağı hesaplama değil, numunedir. Bu bölüm, doku yeterliliğinin ölçülmesini, preanalitik değişkenlerin etkisini ve yetersiz numunenin nasıl kaydedilmesi gerektiğini ele alır.

5.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Taranan hastaların %17’sinde üretim için yeterli doku bulunmamıştır (INTerpath-001).
  • Yetersiz numune «negatif» değil «gerçekleştirilemedi» olarak kaydedilir.
  • Saflık her kanıt kartında raporlanır; eşik altı örnek zenginleştirilmeden ilerletilmez.

5.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Zaman baskısıyla atlanan bir kalite kapısı, geriye dönük olarak tespit edilemez.
BÖLÜM 6

Tüm ekzom dizileme ve somatik varyant çağırma

6.1Özet

Aday havuzu, tümör ve eşleşmiş normal örneğin karşılaştırılmasıyla üretilir. Bu bölüm hizalama, somatik çağırma, filtreleme ve manuel gözden geçirme basamaklarını ve her basamağın hata profilini ele alır.

6.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Hedef derinlik, aranan en düşük varyant alel frekansı belirlenmeden seçilemez.
  • Melanomda formalin artefaktı ile ultraviyole imzası aynı yöndedir; imza temelli filtre tek başına yetmez.

6.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Tek bir varyant çağırma aracına dayanmak, araç-özgü artefaktları sonuçlara taşır.
  • Manuel gözden geçirme kararları kaydedilmezse hat yeniden üretilebilir değildir.
BÖLÜM 7

RNA dizileme, ekspresyon ve transkript seçimi

7.1Özet

İfade edilmeyen bir mutasyon, protein düzeyinde hiç var olmaz. Bu bölüm, ekspresyon desteğinin neden zorunlu bir filtre olduğunu ve transkript seçiminin peptit dizisini nasıl değiştirdiğini ele alır.

7.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Dört yaygın araç arasında üretilen neopeptitlerin yalnızca %22’si ortaktır.
  • Kanonik transkripte varsayılan bağlılık, sessiz ve biçimsel olarak geçerli görünen bir hata üretir.
BÖLÜM 8

HLA tiplendirme ve alel çözünürlüğü

8.1Özet

HLA tipi, tahminin tamamının üzerine kurulduğu zemindir. Bu bölüm tiplendirme yöntemlerini, çözünürlük düzeylerini ve lokus bütünlüğünün kontrolünü ele alır.

8.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • HLA tiplendirme sonucu, referans veri tabanı sürümü olmadan yeniden üretilebilir değildir.
  • Heterozigotluk kaybı kontrolü hattın erken basamağında ve otomatik olmalıdır.
BÖLÜM 9

Bağlanma afinitesi ve eluted-ligand modelleri

9.1Özet

Tahmin araçlarının ilk kuşağı, peptidin HLA oluğuna bağlanma gücünü modelliyordu. Kütle spektrometrisiyle elde edilen doğal ligand verisinin eğitime katılması bu modelleri dönüştürdü. Bu bölüm iki veri tipinin farkını ve modellerin bugünkü kapsamını ele alır.

9.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Doğal ligand verisi, yolağın tamamından geçmiş olmayı yansıttığı için yalnızca bağlanma verisinden daha bilgilendiricidir.
  • Yüzdelik sıra bir olasılık değildir; aleller arası karşılaştırmayı sağlar, olasılık vermez.

9.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Sonuçlara bakarak eşik seçmek, en yaygın yanlılık biçimidir.
  • Eşik altı skor, sunulmayacağın kanıtı değildir.
BÖLÜM 10

Sunum, kararlılık ve işlenme özellikleri

10.1Özet

Bağlanma tek başına immünojenisiteyi öngörmez. Bu bölüm, TESLA konsorsiyumunun belirlediği beş temel özelliği ve bunların önceliklendirmede nasıl birleştirildiğini ele alır.

TABLO 1TESLA’nın immünojenisiteyi en iyi öngören beş özelliği
ÖzellikNe ölçerÖlçüldüğü basamak
Tümörde bollukTranskriptin tümördeki ifade düzeyiRNA dizileme
Bağlanma gücüPeptidin HLA oluğuna afinitesiPan-alel tahmin
Kompleks kararlılığıPeptit-HLA kompleksinin yarı ömrüKararlılık modeli
Tercihli bağlanmaMutant peptidin yabani tipe göre üstünlüğüMutant–yabani tip karşılaştırması
YabancılıkKendilik proteomundan ayrışma derecesiProteom karşılaştırması
Beş özellik birbirini tamamlar; hiçbiri tek başına karar gerekçesi değildir. Sağ sütun, her özelliğin bu merkezin hattında hangi basamakta ölçüldüğünü gösterir.

10.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Ağırlıkların kohorta uydurulması, küçük örneklemlerde aşırı uyum üretir.
  • Ağırlık ve eşikler açıklanmadan bir önceliklendirme yöntemi değerlendirilemez.
BÖLÜM 11

İmmünojenisite tahmini ve makine öğrenmesi

11.1Özet

Sunulan peptitler arasından hangilerinin gerçekten yanıt üreteceğini öngörmek, alanın çözülmemiş sorunudur. Bu bölüm, makine öğrenmesi yaklaşımlarının katkısını ve bu katkının ölçülmüş sınırını ele alır.

11.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Homojenleştirilmiş eğitim verisi, modelden önce gelen asıl iyileştirmedir.
  • %30’luk sıralama kazancı bir tavandır, beklenti değildir.
  • Doğruluk, aşırı dengesiz sınıflarda anlamsızdır.
  • Sabit bütçede ilk-K içindeki doğrulanmış aday sayısı, kapasite kısıtını doğrudan yansıtır.

11.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Bölme peptit düzeyinde yapılırsa model hastayı öğrenir, biyolojiyi değil.
  • Dış doğrulaması olmayan başarım bir üst sınırdır.
BÖLÜM 12

Kıyaslama, uyum ve yeniden üretilebilirlik

12.1Özet

Bu bölüm, farklı araçların aynı veriden farklı sonuçlar üretmesinin ölçülmüş büyüklüğünü ve bunun yöntem tasarımına getirdiği zorunlulukları ele alır.

TABLO 2Ölçülmüş uyum ve başarım değerleri
ÖlçümDeğerBağlam
İlk-20 peptitte araçlar arası örtüşme12%30 araç, glioma
Dört aracın tümünde üretilen neopeptit22%MPG · pVACseq · MuPeXI · NeoPredPipe
Sunulduğu doğrulanan mutasyon (alt sınır)≈0.5%Kolorektal organoid, immünopeptidomik
ML ile sıralama iyileştirmesi≤30%Homojenleştirilmiş veri
TESLA: elenen immünojenik olmayan peptit98%Kesinlik > 0.70; 310 epitopta doğrulandı
Soldaki üç satır alanın güvenilirlik tavanını, alttaki iki satır ulaşılabilir başarımı gösterir. Hepsi yayımlanmış ölçümlerdir.

12.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Girdi dosyalarının özetleri kanıt kartına yazılır.
  • Bire bir yeniden üretim, bağımsız yeniden üretimi garanti etmez.

12.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Eğitim verisi yoğunluğu düşük aleller için tahmin güveni daha düşüktür ve bu raporlanmalıdır.
BÖLÜM 13

İmmünopeptidomik: doğrudan sunum kanıtı

13.1Özet

Kütle spektrometrisi, bir peptidin hücre yüzeyinde gerçekten sunulduğunu doğrudan gösterebilen tek yöntemdir. Bu bölüm yöntemin gücünü, duyarlılık sınırlarını ve tahminle arasındaki belgelenmiş uyumsuzluğu ele alır.

13.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Kütle spektrometrisinde saptanamama, sunulmadığının kanıtı değildir.
  • Duyarlılık doğrudan girdi materyali miktarına bağlıdır; peptitler için çoğaltma yoktur.
  • Düşük yanlış keşif oranı, immünopeptidomikte tek başına doğruluğun güvencesi değildir.
  • Kaynak-içi fragmentasyon ürünleri bağımsız ligand gibi görünebilir.
BÖLÜM 14

Fonksiyonel T hücre deneyleri

14.1Özet

Bu bölüm, bir adayın T hücre yanıtı üretip üretmediğini ölçen deneyleri, bunların kontrollerini ve bir sonucun hangi koşulda geçerli sayılabileceğini ele alır.

14.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Beş geçerlilik durumu ayrı tutulur; eksik gözlem negatif sayılmaz.
  • Donör yanıtı, hastada endojen yanıtın kanıtı değildir.
  • Az adayı yeterli tekrarla sınamak, çok adayı yetersiz tekrarla sınamaya yeğdir.
  • Çoklu karşılaştırma düzeltmesi uygulanmazsa immünojenik aday sayısı şişer.
BÖLÜM 15

TCR saptama ve özgüllük doğrulaması

15.1Özet

Bu bölüm, T hücre reseptörü düzeyinde kanıtın nasıl üretildiğini ve özgüllük iddiasının hangi eşiği aşması gerektiğini ele alır.

BÖLÜM 16

Deney tasarımı, kapasite ve kaynak dağıtımı

16.1Özet

Doğrulama kapasitesi her zaman aday sayısından küçüktür. Bu bölüm, sınırlı kapasitenin nasıl dağıtılacağını ve bu dağıtımın neden yöntemin bir parçası olduğunu ele alır.

16.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Önceliklendirmenin amacı, sınırlı deney kapasitesini en bilgilendirici adaylarla doldurmaktır.
  • Yalnızca en yüksek skorlu adayların sınanması, hattın hatalarını öğrenmesini engeller.
  • Düşük skorlu kontrol grubu olmadan yanlış negatif oranı ölçülemez.
BÖLÜM 17

Kanıt merdiveni ve iddia disiplini

17.1Özet

Her sonucun ne gösterdiği, hangi deneyle elde edildiğine bağlıdır. Bu bölüm, beş basamaklı kanıt merdivenini ve her basamakta hangi iddianın kurulabileceğini tanımlar.

TABLO 3Kanıt merdiveni: basamak, yöntem ve kurulabilecek iddia
BasamakYöntemKurulabilecek iddia
L1In siliko tahminÖncelikli olarak sınanmaya değer
L2Donör ex vivo yanıtDonör T hücreleriyle tanınabilir
L3Otolog yanıtHastanın repertuvarında yanıt saptanabilir
L4TCR özgüllüğüBelirli bir reseptör bu kompleksi tanır
L5İmmünopeptidomikDoğal olarak işlenip sunulduğu doğrulanmıştır
Sağ sütun, o basamakta kurulabilecek iddianın tam metnidir. Daha güçlü bir iddia, daha yukarıdaki bir basamağın kanıtını gerektirir.

17.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • L5 bu merkezin mevcut kapsamı dışındadır; sentetik peptit pozitifliği doğal sunum kanıtı değildir.
  • «Geçerli negatif», adayın immünojenik olmadığı anlamına gelmez.
  • Yalnızca pozitiflerin yayımlanması, araç başarımını sistematik olarak şişirir.
BÖLÜM 18

Çok ajanlı orkestrasyon mimarisi

18.1Özet

Bu bölüm, yöntemin bir yazılım mimarisine nasıl çevrildiğini; ajanların sorumluluk sınırlarını, aralarındaki sözleşmeleri ve başarısızlık durumlarının nasıl ele alındığını tanımlar.

TABLO 4Ajan sicili: sorumluluk, çıktı ve başarısızlık davranışı
AjanSorumlulukBaşarısızlık davranışı
A0Orkestrasyon, sözleşme doğrulama, kapılarAkışı durdurur ve gerekçeyi kaydeder
A1Veri ve numune kalitesi, yeterlilik kapısı«Gerçekleştirilemedi» olarak işaretler
A2Varyant ve transkript bağlamıUzlaşı yoksa adayı belirsiz olarak işaretler
A3HLA tiplendirme ve sunumKayıp alele atanan adayları geçersiz kılar
A4Peptit tasarımı ve önceliklendirmeAyrışmayı uzlaşıyla birlikte raporlar
A5Kapasite dağıtımıYuva yetmezse sıralamayı ve gerekçeyi kaydeder
A6Kanıt ve izlenebilirlikSürüm kaydı eksikse çıktıyı yayımlamaz
A7Mevzuat ve etik uyumOnay kapsamı dışındaki işlemi engeller
Her ajan, yalnızca kendi kapsamına ayrılmış sürümlenmiş veriyi görür. Başarısızlık sütunu, o ajan sonuç üretemediğinde akışın ne yapacağını tanımlar; hiçbir durumda eksik sonuç «negatif» olarak geçmez.

18.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Ajan, sözleşmesinin dört parçası yazılmadan uygulanmaya başlanmaz.
  • Ajanlar arası iletişim şemalıdır; serbest metin doğrulanamaz.
  • Otomatikleştirilen akıştır, karar değil.
  • Reddedilen öneriler silinmez; hata örüntüsü onlardan öğrenilir.
BÖLÜM 19

Belirsizlik, kalibrasyon ve raporlama

19.1Özet

Bu bölüm, bir tahminin ne kadar güvenilir olduğunun nasıl ifade edileceğini ve belirsizliğin neden gizlenmemesi gerektiğini ele alır.

19.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Kalibre edilmemiş bir skor olasılık olarak sunulmaz.
  • Veri yetersizse çıktı, olasılık modeli değil gözlemsel kanıt raporudur.
  • Ölçüm, model ve kapsam belirsizliği ayrı tutulur; tek bir güven skorunda birleştirilmez.
  • Kapsam belirsizliği veriyle azaltılamaz; yalnızca beyan edilebilir.
BÖLÜM 20

Mevzuat, etik ve veri koruma

20.1Özet

Bu bölüm, Türkiye’de yürütülen bir neoantijen araştırma programının bağlı olduğu düzenleyici çerçeveyi, etik gereklilikleri ve veri koruma yükümlülüklerini ele alır.

20.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • FAIR, verinin açık olmasını değil kalıcı biçimde tanımlanmış olmasını gerektirir.
  • DOI, ORCID, ROR ve kalıcı numune anahtarı kayıt şemasında zorunludur.

20.3Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • Geniş onam, her ikincil kullanımı meşrulaştırmaz; kapsam onam metninde açık olmalıdır.
  • Eşleşmiş normal örneğin dizilenmesi ikincil bulgu olasılığını kaçınılmaz kılar.
  • Onam metni bu üç soruyu yanıtsız bırakırsa, bulgu ortaya çıktığında çözüm kalmaz.
BÖLÜM 21

Ek A — Sözlük

21.1Özet

Bu kitapta kullanılan terimlerin tanımları. Tanımlar, metinde kullanıldıkları anlamla sınırlıdır ve alandaki tüm kullanımları kapsamayı amaçlamaz.

TABLO 5Terim sözlüğü
TerimTanım
Aday neoantijenSomatik bir değişiklikten köken alan, ancak sunumu ya da tanınması henüz gösterilmemiş peptit.
Sunulduğu doğrulanmış neoantijenHücre yüzeyinde sunulduğu kütle spektrometrisiyle gösterilmiş peptit (L5).
İmmünojenik neoantijenT hücresi tarafından tanındığı fonksiyonel olarak gösterilmiş peptit.
Klonal mutasyonTümörün kurucu hücresinden gelen ve kural olarak tüm hücrelerde bulunan değişiklik.
Yüzdelik sıraHam tahmin skorunun aleller arası karşılaştırılabilir hâle getirilmiş biçimi; olasılık değildir.
YabancılıkPeptidin kendilik proteomundan ayrışma derecesi; TESLA’nın beş temel özelliğinden biri.
Kanıt kartıBir adaya ilişkin tüm gözlemleri, kanıt basamaklarını ve sürüm kayıtlarını birleştiren kayıt.
KapıBir sonraki basamağa geçmek için sağlanması gereken, önceden tanımlanmış koşul.
GerçekleştirilemediKapasite, materyal veya HLA eşleşmesi bulunmadığı için deneyin yapılmadığı durum; negatif sonuç değildir.
Terimlerin bu metindeki kullanım anlamları.
BÖLÜM 22

Ek B — Standartlar ve uyum

22.1Özet

Bu kitapta esas alınan raporlama ve veri standartları ile bunların hangi bölümde karşılandığı.

TABLO 6Standartlar ve karşılandıkları bölümler
StandartKapsamBölümDurum
TRIPOD+AIÖngörü modeli raporlaması10, 11, 19Benimsendi
DOMEGözetimli öğrenmenin doğrulanması11, 18Benimsendi
FAIRVeri yönetimi ve paylaşımı17Kısmen — veri henüz üretilmedi
HelsinkiAraştırma etiği20Benimsendi
KVKK · GDPRVeri koruma20Benimsendi
MIABIS 2.0Biyobanka asgari bilgi seti5Planlandı
Durum sütunu, bu kitabın yazıldığı tarihteki gerçek durumu gösterir.

Kaynaklar

  1. Alexandrov, L. B., Nik-Zainal, S., Wedge, D. C., et al. (2013). Signatures of mutational processes in human cancer. Nature, 500, 415–421. doi:10.1038/nature12477
  2. Bassani-Sternberg, M., Bräunlein, E., Klar, R., et al. (2016). Direct identification of clinically relevant neoepitopes presented on native human melanoma tissue by mass spectrometry. Nature Communications, 7, 13404. doi:10.1038/ncomms13404
  3. Becker, J. P., & Riemer, A. B. (2022). The importance of being presented: target validation by immunopeptidomics for epitope-specific immunotherapies. Frontiers in Immunology, 13, 883989. doi:10.3389/fimmu.2022.883989
  4. Bentzen, A. K., Marquard, A. M., Lyngaa, R., et al. (2016). Large-scale detection of antigen-specific T cells using peptide-MHC-I multimers labeled with DNA barcodes. Nature Biotechnology, 34(10), 1037–1045. doi:10.1038/nbt.3662
  5. Chihab, L. Y., Burel, J. G., Miller, A. M., et al. (2025). Comparative performance analysis of neoepitope prediction algorithms in head and neck cancer. Frontiers in Immunology, 16, 1494453. doi:10.3389/fimmu.2025.1494453
  6. Collins, G. S., Moons, K. G. M., Dhiman, P., et al. (2024). TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. doi:10.1136/bmj-2023-078378
  7. Hoenisch Gravel, N., Nelde, A., Bauer, J., et al. (2023). TOFIMS mass spectrometry-based immunopeptidomics refines tumor antigen identification. Nature Communications, 14, 7472. doi:10.1038/s41467-023-42692-7
  8. Hundal, J., Kiwala, S., McMichael, J., et al. (2020). pVACtools: a computational toolkit to identify and visualize cancer neoantigens. Cancer Immunology Research, 8(3), 409–420. doi:10.1158/2326-6066.CIR-19-0401
  9. Khattak, M. A., Carlino, M. S., Meniawy, T., et al. (2026). Intismeran autogene plus pembrolizumab versus pembrolizumab alone in high-risk resected melanoma: 5-year update of the randomised phase 2b KEYNOTE-942 study. Journal of Clinical Oncology. doi:10.1200/JCO-26-00835
  10. Koşaloğlu-Yalçın, Z., Blazeska, N., Vita, R., et al. (2023). The Cancer Epitope Database and Analysis Resource (CEDAR). Nucleic Acids Research, 51(D1), D845–D852. doi:10.1093/nar/gkac902
  11. Long, G. V., et al. (2026). INTerpath-001: phase 3 study of the mRNA-based individualized neoantigen therapy intismeran autogene plus pembrolizumab versus pembrolizumab alone for adjuvant treatment of resected stage IIB–IV melanoma. ESMO Congress 2026, Madrid, Abstract LBA1. NCT05933577.
  12. Müller, M., Huber, F., Arnaud, M., et al. (2023). Machine learning methods and harmonized datasets improve immunogenic neoantigen prediction. Immunity, 56(11), 2650–2663.e6. doi:10.1016/j.immuni.2023.09.002
  13. Newey, A., Griffiths, B., Michaux, J., et al. (2019). Immunopeptidomics of colorectal cancer organoids reveals a sparse HLA class I neoantigen landscape and no increase in neoantigens with interferon or MEK-inhibitor treatment. Journal for ImmunoTherapy of Cancer, 7, 309. doi:10.1186/s40425-019-0769-8
  14. Ott, P. A., Hu, Z., Keskin, D. B., et al. (2017). An immunogenic personal neoantigen vaccine for patients with melanoma. Nature, 547, 217–221. doi:10.1038/nature22991
  15. Purcell, A. W., Ramarathinam, S. H., & Ternette, N. (2019). Mass spectrometry-based identification of MHC-bound peptides for immunopeptidomics. Nature Protocols, 14(6), 1687–1707. doi:10.1038/s41596-019-0133-y
  16. Reynisson, B., Alvarez, B., Paul, S., Peters, B., & Nielsen, M. (2020). NetMHCpan-4.1 and NetMHCIIpan-4.0: improved predictions of MHC antigen presentation. Nucleic Acids Research, 48(W1), W449–W454. doi:10.1093/nar/gkaa379
  17. Richters, M. M., Xia, H., Campbell, K. M., et al. (2019). Best practices for bioinformatic characterization of neoantigens for clinical utility. Genome Medicine, 11, 56. doi:10.1186/s13073-019-0666-2
  18. Robins, H. S., Campregher, P. V., Srivastava, S. K., et al. (2009). Comprehensive assessment of T-cell receptor beta-chain diversity in αβ T cells. Blood, 114(19), 4099–4107. doi:10.1182/blood-2009-04-217604
  19. Robinson, J., Barker, D. J., Georgiou, X., Cooper, M. A., Flicek, P., & Marsh, S. G. E. (2020). IPD-IMGT/HLA Database. Nucleic Acids Research, 48(D1), D948–D955. doi:10.1093/nar/gkz950
  20. Sahin, U., Derhovanessian, E., Miller, M., et al. (2017). Personalized RNA mutanome vaccines mobilize poly-specific therapeutic immunity against cancer. Nature, 547, 222–226. doi:10.1038/nature23003
  21. Schumacher, T. N., & Schreiber, R. D. (2015). Neoantigens in cancer immunotherapy. Science, 348(6230), 69–74. doi:10.1126/science.aaa4971
  22. Walsh, I., Fishman, D., Garcia-Gasulla, D., et al. (2021). DOME: recommendations for supervised machine learning validation in biology. Nature Methods, 18(10), 1122–1127. doi:10.1038/s41592-021-01205-4
  23. Weber, J. S., Carlino, M. S., Khattak, A., et al. (2024). Individualised neoantigen therapy mRNA-4157 (V940) plus pembrolizumab versus pembrolizumab monotherapy in resected melanoma (KEYNOTE-942): a randomised, phase 2b study. The Lancet, 403(10427), 632–644. doi:10.1016/S0140-6736(23)02268-7
  24. Wells, D. K., van Buuren, M. M., Dang, K. K., et al. (2020). Key parameters of tumor epitope immunogenicity revealed through a consortium approach improve neoantigen prediction. Cell, 183(3), 818–834.e13. doi:10.1016/j.cell.2020.09.015
  25. Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 160018. doi:10.1038/sdata.2016.18
  26. World Medical Association (2013). Declaration of Helsinki: ethical principles for medical research involving human subjects. JAMA, 310(20), 2191–2194. doi:10.1001/jama.2013.281053
  27. Zaghla, B. K. Q., et al. (2026). Systematic evaluation of neoepitope predictions challenges clinically observed T-cell responses and their impact on immune evasion. Journal for ImmunoTherapy of Cancer, e013271. doi:10.1136/jitc-2025-013271
© 2026 NEOIMMUNE AI · İstanbul, Türkiye · Araştırma amaçlı kullanım — klinik karar desteği değildir. Tüm yayınlar