← NEOIMMUNE AI · Yayınlar
Özet rapor

Araştırma Raporu: Yönetici Özeti

Yöntemin, değerlendirme ölçütlerinin ve kabul edilen sınırların kısa anlatımı.

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
2 sayfa · 1 tablo/şekil · 134 sözcük
SHA-256
393346e79fef87566aa4fde494f2fc89036346604d9a049e88493985a6e461a3

Yapılandırılmış özet

Arka plan

Bireyselleştirilmiş neoantijen tedavisi 2026’da ilk faz 3 pozitif sonucunu verdi (INTerpath-001; RFS HR 0,58). Aynı çalışmada taranan hastaların %17’sinde üretim için yeterli doku bulunamadı.

Amaç

Sınırlı deneysel kapasiteyle çalışan bir merkezin aday neoantijenleri hangi sırayla sınaması gerektiğini ve her kararın gerekçesinin nasıl izlenebilir kılınacağını tanımlamak.

Yöntem

Numune yeterliliğinden kanıt kartına uzanan yedi aşama; dört zorunlu kapı; sekiz ajanlı orkestrasyon; beş basamaklı kanıt merdiveni.

Durum

Bu raporun yazıldığı tarihte hiçbir hasta dâhil edilmemiş, hiçbir numune alınmamış ve hiçbir veri üretilmemiştir. Raporda geçen hiçbir sayı bir sonuç değildir.

BÖLÜM 1

Çalışmanın gerekçesi ve soru

1.1Özet

Bu rapor, İstanbul merkezli bir araştırma programının evre III–IV kutanöz melanomda neoantijen önceliklendirmesi için öngördüğü yöntemi, bu yöntemin dayandığı kanıtı ve açıkça kabul ettiği sınırları ortaya koyar.

BÖLÜM 2

Yöntem

2.1Özet

Hat, numune yeterliliğinden kanıt kartına uzanan yedi aşamadan oluşur. Her aşama bir kapıyla korunur ve her kapı, geçilemediğinde gerekçesiyle kaydedilir.

TABLO 1Yedi aşama, kapılar ve sorumlu ajan
AşamaKapıAjanDüzenleyici
Numune ve onamYeterlilikA1TİTCK · KVKK
Dizileme ve varyantUzlaşıA2—
HLA tiplendirmeBütünlükA3—
Sunum tahminiUzlaşıA4—
Deneysel doğrulamaKontrol geçerliliğiA5TÜRKAK
Kanıt kartıSürüm kaydıA6—
Karar ve raporlamaİddia disipliniA7TİTCK · SGK
Düzenleyici sütunu boş olan aşamalar, dışarıdan denetime tabi değildir ve merkezin kendi kalite sistemiyle yönetilir. Bu bir sınırdır ve bu şekilde raporlanır.
BÖLÜM 3

Beklenen çıktılar ve değerlendirme ölçütleri

3.1Özet

Bu bölüm, programın neyi başarmış sayılacağını önceden tanımlar. Ölçütlerin sonradan değiştirilmesi, raporlamanın en yaygın yanlılık kaynağıdır.

3.2Öne çıkanlar

Bu bölümün taşıdığı başlıca bulgular aşağıdadır.

Öne çıkanlar
  • Değerlendirme ölçütleri önceden sabitlenmiştir; sonradan değiştirilmeyecektir.
  • Olumsuz sonuç da aynı ayrıntıyla raporlanacaktır.
BÖLÜM 4

Sınırlar ve riskler

4.1Özet

Bu bölüm, programın bilinen sınırlarını ve bunların sonuçlara etkisini açıkça listeler.

4.2Sınırlar

Bu bölümde açıkça kabul edilen sınırlar aşağıdadır.

Sınırlar
  • 32 hastalık kohortta üretilen her sonuç hipotez üreticidir.
  • Yedi aşamanın dördünde dışarıdan düzenleyici denetim bulunmamaktadır.

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