特表 2023-509540 新生抗原をスクリーニングする方法、システム及びその用途

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-03-08

(54)【発明の名称】新生抗原をスクリーニングする方法、システム及びその用途

(51)【国際特許分類】

   C12Q 1/6886 20180101AFI20230301BHJP

   C07K 4/12 20060101ALI20230301BHJP

   C07K 14/435 20060101ALI20230301BHJP

   C12N 5/0784 20100101ALN20230301BHJP

   C12N 5/0783 20100101ALN20230301BHJP

   C12N 5/0786 20100101ALN20230301BHJP

【ＦＩ】

C12Q1/6886 Z

C07K4/12

C07K14/435

C12N5/0784 ZNA

C12N5/0783

C12N5/0786

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2022542136

(86)(22)【出願日】2021-01-06

(85)【翻訳文提出日】2022-07-19

(86)【国際出願番号】 KR2021000116

(87)【国際公開番号】W WO2021141374

(87)【国際公開日】2021-07-15

(31)【優先権主張番号】10-2020-0002260

(32)【優先日】2020-01-07

(33)【優先権主張国・地域又は機関】KR

(81)【指定国・地域】

(71)【出願人】

【識別番号】515162224

【氏名又は名称】コリア アドバンスド インスティテュート オブ サイエンス アンド テクノロジー

【氏名又は名称原語表記】ＫＯＲＥＡ ＡＤＶＡＮＣＥＤ ＩＮＳＴＩＴＵＴＥ ＯＦ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬＯＧＹ

(71)【出願人】

【識別番号】522110164

【氏名又は名称】ペンタメディックス・カンパニー・リミテッド

【氏名又は名称原語表記】ＰＥＮＴＡＭＥＤＩＸ ＣＯ．， ＬＴＤ．

【住所又は居所原語表記】５１７ＨＯ， ５１６， ４２， ＣＨＡＮＧＥＯＰ‐ＲＯ， ＳＵＪＥＯＮＧ‐ＧＵ， ＳＥＯＮＧＮＡＭ‐ＳＩ ＧＹＥＯＮＧＧＩ‐ＤＯ １３４４９， ＲＥＰＵＢＬＩＣ ＯＦ ＫＯＲＥＡ

(74)【代理人】

【識別番号】110000671

【氏名又は名称】ＩＢＣ一番町弁理士法人

(72)【発明者】

【氏名】チョイ，ジュン ギュン

(72)【発明者】

【氏名】バン，ヒョ ユン

(72)【発明者】

【氏名】パク，ジェ ソン

(72)【発明者】

【氏名】チョ，デ ヨン

【テーマコード（参考）】

4B063

4B065

4H045

【Ｆターム（参考）】

4B063QA13

4B063QA17

4B063QQ08

4B063QS39

4B063QX01

4B065AA93X

4B065AA94X

4B065CA46

4H045AA11

(57)【要約】

新生抗原をスクリーニングする方法、システム及びその用途に係り、さらに具体的には、その発現ががん細胞の生存に必須であり、かつ／あるいはがん組織内のあらゆる細胞で均一な遺伝子に由来する新生抗原を診断、及び／または治療標的としてスクリーニングする方法、システム及びその用途が開示される。

【特許請求の範囲】

【請求項1】

がん患者からエクソーム（exome）、トランスクリプトーム（transcriptome）、単一細胞トランスクリプトーム（single cell transcriptome）、ペプチドーム（peptidome）または全体ゲノムの配列分析データを得る段階と、
がん細胞生存依存性遺伝子を選別する段階と、
前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階と、を含む、新生抗原をスクリーニングする方法。

【請求項2】

前記方法は、前記新生抗原と、抗原提示細胞のＨＬＡとの結合親和力を判断する段階をさらに含む、請求項１に記載の方法。

【請求項3】

前記がん細胞生存依存性遺伝子を選別する段階は、細胞生存依存性予測モデルを利用し、がん細胞の生存に必須ながん細胞生存依存性遺伝子を選別することを含み、
前記細胞生存依存性予測モデルは、細胞の遺伝子発現と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別する、請求項１に記載の方法。

【請求項4】

前記選別されたがん細胞生存依存性遺伝子は、その発現量低減時またはその除去時、がん細胞死をもたらすが、正常細胞の生存には影響を及ぼさない、請求項３に記載の方法。

【請求項5】

前記細胞の遺伝子発現と、細胞死との関係は、標的化された遺伝子発現低減またはその除去によるがん細胞株の死滅いかんに係わるインビトロデータまたはインシリコデータに基づく、請求項３に記載の方法。

【請求項6】

前記がん細胞生存依存性遺伝子を選別する段階は、前記細胞生存依存性予測モデルから選別されたがん細胞生存依存性遺伝子が、がん患者で得られた全てのがん細胞で均一に発現されるか否かということを判断する段階をさらに含む、請求項３に記載の方法。

【請求項7】

前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階は、
がん患者から得られた配列分析データから、がん細胞からの配列と、正常細胞からの配列とを比較し、がん患者の新生抗原を得る段階と、
前記得られた新生抗原のうちから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を収集する段階と、を含む、請求項１に記載の方法。

【請求項8】

前記新生抗原を収集する段階は、前記がん細胞生存依存性遺伝子の非同義（nonsynonymous）突然変異を選別する段階をさらに含む、請求項７に記載の方法。

【請求項9】

前記新生抗原は、がん患者特異的である、請求項１に記載の方法。

【請求項10】

前記新生抗原と、抗原提示細胞のＨＬＡとの結合親和力を判断する段階は、
前記新生抗原の配列を、抗原ペプチドと、抗原提示細胞のＨＬＡとの結合親和力を予測する新生抗原結合親和力予測モデルに入力し、結合親和力予測を得る段階を含み、
前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものである、請求項２に記載の方法。

【請求項11】

前記抗原提示細胞は、樹状細胞、大食細胞、Ｂ細胞、またはそれらの組み合わせである、請求項１０に記載の方法。

【請求項12】

前記ＨＬＡは、ＭＨＣクラスＩあるいはＭＨＣクラスIIである、請求項１０に記載の方法。

【請求項13】

前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力があると判断する、請求項１０に記載の方法。

【請求項14】

少なくとも１つのインストラクションを保存するためのメモリと、
前記メモリに保存された前記少なくとも１つのインストラクションを実行する少なくとも１つのプロセッサと、を含み、
前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、
細胞の遺伝子発現量と、細胞死との関係を学習させ、遺伝子発現に係わる細胞生存の依存性を予測する細胞生存依存性予測モデルを生成し、
がん患者の遺伝子発現プロファイルを、前記細胞生存依存性予測モデルに入力し、がん細胞生存依存性遺伝子を選別し、がん患者の遺伝子発現プロファイルから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を得て、
ペプチドと抗原提示細胞とのアミノ酸相互作用に基づき、結合親和力を予測する新生抗原結合親和力予測モデルを生成し、
前記新生抗原結合親和力予測モデルを利用し、抗原提示細胞のＨＬＡとの結合親和力がある新生抗原を選択する、新生抗原スクリーニング用システム。

【請求項15】

前記細胞生存依存性予測モデルは、細胞の遺伝子発現量と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別する、請求項１４に記載のシステム。

【請求項16】

前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力がある新生抗原として選択する、請求項１４に記載のシステム。

【請求項17】

前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、それぞれ遺伝子の発現と、細胞死との関係、及び新生抗原と、抗原提示細胞のＨＬＡとの結合親和力の関係を学習する、請求項１４に記載のシステム。

【請求項18】

前記細胞の遺伝子発現と、細胞死との関係は、標的化された遺伝子発現低減またはその除去によるがん細胞株の死滅いかんに係わるインビトロデータまたはインシリコデータに基づく、請求項１７に記載のシステム。

【請求項19】

前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものである、請求項１４に記載のシステム。

【請求項20】

前記がん患者の遺伝子発現プロファイルは、エクソーム、トランスクリプトーム、単一細胞トランスクリプトーム、ペプチドームまたは全体ゲノムの配列分析データである、請求項１４に記載のシステム。

【請求項21】

請求項１ないし１３のうちいずれか１項に記載の方法によって新生抗原を得る段階と、
前記新生抗原を含む抗がんワクチンを製造する段階と、を含む、抗がんワクチンを製造する方法。

【請求項22】

前記新生抗原を含む、９個ないし３０個のアミノ酸で構成されたペプチド配列を得る段階と、
前記ペプチド配列から親水性及び安定性を有するペプチド配列を選択する段階と、をさらに含む、請求項２１に記載の方法。

【請求項23】

前記選択されたペプチド配列は、Kyte－Doolittle ＧＲＡＶＹ＜０であり、ＩｎｓｔａＩｎｄｅｘ＜４０である、請求項２２に記載の方法。

【請求項24】

請求項１ないし１３のうちいずれか１項に記載の方法によって得られた新生抗原を含む、抗がんワクチン。

【請求項25】

請求項１ないし１３のうちいずれか１項に記載の方法によって新生抗原を得る段階と、
がん患者の試料から前記新生抗原の量を測定する段階と、を含む、がん患者の治療予後を予測する情報を提供する方法。

【請求項26】

前記得られた新生抗原の量を、治療予後が確認されたがん患者からなる対照群から得られた前記新生抗原の量と比較する段階をさらに含む、請求項２５に記載の方法。

【請求項27】

請求項１ないし１３のうちいずれか１項に記載の方法によって得られた新生抗原を含む、がん患者の治療予後予測用組成物。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、新生抗原をスクリーニングする方法、システム及びその用途に係り、さらに具体的には、その発現ががん細胞の生存に必須であり、かつ／あるいはがん組織内の全ての細胞において、均一な遺伝子に由来する新生抗原を診断、及び／または治療標的としてスクリーニングする方法、システム及びその用途に関する。

【背景技術】

【0002】

免疫抗がん治療は、現在最も関心が寄せられている抗がん療法であり、反応する患者群においては、高い完治率を期待することができ、抗がん治療の新たなパラダイムを提示している。全世界的に、３，４００件を超えるグローバル免疫抗がん剤臨床試験が施行されるというように、活発に研究されている。

【0003】

抗がんワクチンは、がん特異抗原を利用し、免疫体系を活性化させる免疫抗がん治療剤の一種であり、免疫チェックポイント阻害剤（checkpoint blockade）との併用療法を介する免疫抗がん治療の核心技術として注目されている。しかしながら、該免疫チェックポイント阻害剤、例えば、抗ＰＤ－１／抗ＰＤ－Ｌ１の実際成功率は、１５～２０％に過ぎず、全般的なＴ細胞の免疫調節機能を喪失させる過程が含まれており、自家免疫疾患のような副作用が示される心配が大きい。がん患者の反応率を向上させ、副作用を最小化させることができる治療剤への要求が依然として存在する。

【0004】

患者誂え向き抗がんワクチンは、患者特異的新生抗原（neoantigen）を標的にした最適のワクチンデザインが可能であり、がん患者の治療効果を高め、副作用は、最小化させることができる治療方法として開発されている。患者内免疫作用が、がん細胞特異的新生抗原に集中されるように誘導し、免疫抗がん治療の効果を高めることができ、そのためには、最適の新生抗原を選択する技術が核心である。

【0005】

がん細胞は、免疫編集（immunoediting）という過程を介し、抗がん免疫反応を回避することができる形態に進化する。そのように進化したがん細胞群が、免疫抗がん治療に対する抵抗性及びがん再発の原因になると見られている。そのような腫瘍の異質性と可塑性とによる免疫回避メカニズムを克服することができる新生抗原標的の開発が要求される。韓国特許出願公開第２０１８－０１０７１０２号は、個人化されたがんワクチンに対する新生抗原を同定及び選別する方法を開示するが、がん細胞の免疫回避はもとより、その克服必要性につき、全く開示も暗示もしていない。

【0006】

本発明者らは、抗がんワクチンとして有効な新生抗原発掘を困難にするがん細胞の免疫編集メカニズムを回避することができる戦略に係わる研究を行い、診断、及び／または治療標的として有効な新生抗原をスクリーニングする方法に関する発明を完成した。

【発明の概要】

【発明が解決しようとする課題】

【0007】

本発明は、がん細胞の免疫回避を克服する新生抗原をスクリーニングする方法を提供することを目的とする。

【0008】

本発明は、また、がん細胞の免疫回避を克服する新生抗原のスクリーニングのためのシステムを提供することを目的とする。

【0009】

本発明は、また、がん細胞の免疫回避を克服する新生抗原を含む抗がんワクチンを提供することを目的とする。

【0010】

本発明は、また、がん細胞の免疫回避を克服する新生抗原を含むがん患者の治療予後予測用組成物を提供することを目的とする。

【課題を解決するための手段】

【0011】

本発明の一態様は、
がん患者から、エクソーム（exome）、トランスクリプトーム（transcriptome）、単一細胞トランスクリプトーム（single cell transcriptome）、ペプチドーム（peptidome）または全体ゲノムの配列分析データを得る段階と、
がん細胞生存依存性遺伝子を選別する段階と、
前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階と、を含む、新生抗原をスクリーニングする方法を提供する。

【0012】

本発明の一具体例において、新生抗原をスクリーニングする方法は、前記新生抗原と、抗原提示細胞のＨＬＡ（human leukocyte antigen）との結合親和力を判断する段階をさらに含むものでもある。

【0013】

本発明の一具体例において、がん細胞生存依存性遺伝子は、その発現量低減時またはその除去時、さまざまな種類のがん細胞、または当該患者由来のがん細胞死をもたらすものでもある。

【0014】

本発明の一具体例において、がん細胞生存依存性遺伝子は、さまざまな種類のがんまたはがん細胞の生存に普遍的に必須な普遍的依存性遺伝子でもある。

【0015】

本発明の一具体例において、がん細胞生存依存性遺伝子は、前記がん患者に由来するがん細胞の生存に必須ながん患者特異的依存性遺伝子でもある。

【0016】

本発明の一具体例において、がん細胞生存依存性遺伝子は、普遍的依存性遺伝子またはがん患者特異的依存性遺伝子、または普遍的依存性遺伝子及びがん患者特異的依存性遺伝子を含むものでもある。

【0017】

本発明の一具体例において、がん細胞生存依存性遺伝子を選別する段階は、細胞生存依存性予測モデルを利用し、がん細胞の生存に必須ながん細胞生存依存性遺伝子を選別することを含み、前記細胞生存依存性予測モデルは、細胞の遺伝子発現様相と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別することができる。

【0018】

本発明の一具体例において、前記細胞生存依存性予測モデルは、ディープラーニングを基とし、細胞の遺伝子発現と、細胞死との関係に係わる実験データから学習されるものでもある。

【0019】

本発明の一具体例において、前記遺伝子の発現と、細胞死との関係は、標的化された遺伝子発現低減または除去によるがん細胞株の死滅いかんに係わるインビトロスクリーニング実験データまたはインシリコデータに基づくものでもある。

【0020】

本発明の一具体例において、前記がん細胞生存依存性遺伝子を選別する段階は、前記細胞生存依存性予測モデルから選別されたがん細胞生存依存性遺伝子が、がん患者で得られた全てのがん細胞で均一に発現されるか否かということを判断する段階をさらに含むものでもある。

【0021】

本発明の一具体例において、前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階は、がん患者から得られた配列分析データから、がん細胞からの配列と、正常細胞からの配列とを比較し、がん患者の新生抗原を得る段階と、前記得られた新生抗原のうちから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を収集する段階と、を含むものでもある。

【0022】

本発明の一具体例において、前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階は、がん患者から得られた配列分析データからの配列と、正常対照群から得られた配列分析データからの配列とを比較し、がん患者の新生抗原を得る段階と、前記得られた新生抗原のうちから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を収集する段階と、を含むものでもある。

【0023】

本発明の一具体例において、前記新生抗原を収集する段階は、前記がん細胞生存依存性遺伝子の非同義（nonsynonymous）突然変異を選別する段階をさらに含むものでもある。

【0024】

本発明の一具体例において、前記新生抗原と、抗原提示細胞のＨＬＡとの結合親和力を判断する段階は、前記新生抗原の配列を、抗原ペプチドと、抗原提示細胞のＨＬＡとの結合親和力を予測する新生抗原結合親和力予測モデルに入力し、結合親和力予測を得る段階を含み、前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものでもある。

【0025】

本発明の一具体例において、前記抗原提示細胞は、樹状細胞、大食細胞、Ｂ細胞、またはそれらの組み合わせでもある。

【0026】

本発明の一具体例において、前記ＨＬＡはＭＨＣ（major histocompatibility class）クラスＩあるいはＭＨＣクラスIIでもある。

【0027】

本発明の一具体例において、前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力があるとも判断される。

【0028】

本発明の一具体例において、前記がん細胞生存依存性遺伝子は、がん細胞の生存に係わる必須性により、複数個にも選別される。

【0029】

本発明の一具体例において、前記がん細胞生存依存性遺伝子は、がん細胞の生存に係わる必須性により、それぞれ上位及び下位の５個、１０個、またはその以上にも選別される。

【0030】

本発明の一具体例において、前記新生抗原は、がん患者特異的新生抗原でもある。

【0031】

本発明の他の態様は、
メモリに保存された前記少なくとも１つのインストラクションを実行する少なくとも１つのプロセッサを含み、
前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、
細胞の遺伝子発現量と、細胞死との関係を学習させ、遺伝子発現に係わる細胞生存の依存性を予測する細胞生存依存性予測モデルを生成し、
がん患者の遺伝子発現プロファイルを、前記細胞生存依存性予測モデルに入力し、がん細胞生存依存性遺伝子を選別し、がん患者の遺伝子発現プロファイルから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を得て、
ペプチドと抗原提示細胞とのアミノ酸相互作用に基づき、結合親和力を予測する新生抗原結合親和力予測モデルを生成し、
前記新生抗原結合親和力予測モデルを利用し、抗原提示細胞のＨＬＡとの結合親和力がある新生抗原を選択するものである新生抗原スクリーニング用システムを提供する。

【0032】

本発明の一具体例において、前記システムは、本発明の一具体例による、新生抗原をスクリーニングする方法を実施するためにも使用される。

【0033】

本発明の一具体例において、前記細胞生存依存性予測モデルは、細胞生存依存性遺伝子を選別するか、あるいは新生抗原が導き出された遺伝子の細胞生存依存性を予測することができる。

【0034】

本発明の一具体例において、前記細胞生存依存性予測モデルは、細胞の遺伝子発現量と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別するものでもある。

【0035】

本発明の一具体例において、がん細胞生存依存性遺伝子は、さまざまな種類のがんまたはがん細胞の生存に普遍的に必須な普遍的依存性遺伝子でもある。

【0036】

本発明の一具体例において、がん細胞生存依存性遺伝子は、特定のがん患者に由来するがん細胞の生存に必須ながん患者特異的依存性遺伝子でもある。

【0037】

本発明の一具体例において、がん細胞生存依存性遺伝子は、普遍的依存性遺伝子またはがん患者特異的依存性遺伝子、または普遍的依存性遺伝子及びがん患者特異的依存性遺伝子を含むものでもある。

【0038】

本発明の一具体例において、前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力がある新生抗原として選択するものでもある。

【0039】

本発明の一具体例において、前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、それぞれ遺伝子の発現と、細胞死との関係、及び新生抗原と、抗原提示細胞のＨＬＡとの結合親和力の関係を学習するものでもある。

【0040】

本発明の一具体例において、前記学習は、ディープラーニングに基づいても遂行される。

【0041】

本発明の一具体例において、前記細胞の遺伝子発現と、細胞死との関係は、標的化された遺伝子発現低減または除去によるがん細胞株の死滅いかんに係わるインビトロデータまたはインシリコデータに基づくものでもある。

【0042】

本発明の一具体例において、前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものでもある。

【0043】

本発明の一具体例において、前記がん患者の遺伝子発現プロファイルは、エクソーム、トランスクリプトーム、単一細胞トランスクリプトーム、ペプチドームまたは全体ゲノムの配列分析データでもある。

【0044】

本発明の一具体例において、前記ＨＬＡは、ＭＨＣクラスＩあるいはＭＨＣクラスIIでもある。

【0045】

本発明の一具体例において、前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力があるとも判断される。

【0046】

本発明の一具体例において、前記がん細胞生存依存性遺伝子は、がん細胞の生存に係わる必須性により、複数個にも選別される。

【0047】

本発明のさらに他の態様は、
前述の本発明の一態様によるスクリーニング方法により、新生抗原を得る段階と、
前記新生抗原を含む抗がんワクチンを製造する段階と、を含む、抗がんワクチンを製造する方法を提供する。

【0048】

本発明の一具体例において、前記抗がんワクチンを製造する方法は、前記新生抗原部位を含む、９個ないし３０個のアミノ酸で構成されたペプチド配列を得る段階と、
前記ペプチド配列から親水性及び安定性を有するペプチド配列を選択する段階と、をさらに含むものでもある。

【0049】

本発明の一具体例において、前記選択されたペプチド配列は、Kyte－Doolittle ＧＲＡＶＹ＜０であり、ＩｎｓｔａＩｎｄｅｘ＜４０でもある。

【0050】

本発明の一具体例において、前記ペプチド配列は、１２個ないし３０個、１５個ないし３０個、または１５個ないし２５個のアミノ酸によっても構成される。

【0051】

本発明のさらに他の態様は、前述の本発明の一態様によるスクリーニング方法によって得られた新生抗原を含む抗がんワクチンを提供する。

【0052】

該抗がんワクチンは、特異的細胞毒性Ｔ細胞反応及び／または特異的ヘルパーＴ細胞反応を誘発しうる。

【0053】

本発明の一具体例において、前記抗がんワクチンは、新生抗原を含むペプチドを含むものでもある。

【0054】

本発明の一具体例において、前記ペプチドは、１５個ないし３０個のアミノ酸で構成された長さを有し、抗原提示細胞のＨＬＡに結合し、新生抗原に特異的なＴ細胞を活性化させることができる。

【0055】

本発明の一具体例において、前記抗がんワクチンは、２種以上の新生抗原を含むペプチドを含むものでもある。

【0056】

本発明の一具体例において、前記抗がんワクチンは、抗がん剤のようなさらなる有効成分、添加剤、賦形剤などをさらに含むものでもある。

【0057】

該抗がんワクチンは、抗原特異的免疫反応を誘発するに十分な量で投与される。該抗がんワクチンに含まれるペプチドの量や、抗がんワクチンの投与量は、過度な実験なしに、当業者によっても決定される。該抗がんワクチンは、静脈内注射、皮下注射、皮内注射、腹腔内注射または筋肉内注射によっても投与される。該抗がんワクチンにおいて、ペプチドの濃度は、広範囲に、約０．１重量％未満、約２重量％ないし約２０重量、約５０重量％以上などと、多様でもあり、投与方式などを考慮して決定されるのである。該抗がんワクチンの投与量は、新生抗原を含むペプチドの組成、投与方式、対象疾患の病期及び重症度、患者の体重・健康状態などを考慮し、臨床医によって決定されるが、一般的に、７０ｋｇ患者の場合、約１．０μｇないし約５０，０００μｇペプチドの量で投与されうる。

【0058】

本発明のさらに他の態様は、前述の本発明の一態様によるスクリーニング方法によって新生抗原を得る段階と、
がん患者の試料から前記新生抗原の量を測定する段階と、を含む、がん患者の治療予後を予測する情報を提供する方法を提供する。

【0059】

本発明の一具体例において、前記がん患者の治療予後を予測する情報を提供する方法は、前記得られた新生抗原の量を、治療予後が確認されたがん患者からなる対照群から得られた前記新生抗原の量と比較する段階をさらに含むものでもある。

【0060】

本発明の一具体例において、前記対照群は、治療予後が良好であると確認されたがん患者からなるか、あるいは治療予後が良好ではないと確認されたがん患者からもなる。

【0061】

本発明の一具体例において、前記新生抗原の量は、新生抗原の個数でもある。

【0062】

本発明の一具体例において、がん患者の試料において、新生抗原の量または個数が、治療予後が良好ではないがん患者の対照群に比べて大きい場合、がん患者の治療予後は、良好であるとも予測される。

【0063】

本発明の一具体例において、がん患者の試料において、新生抗原の量または個数が、治療予後が良好であるがん患者の対照群に比べて小さい場合、がん患者の治療予後は、良好ではないとも予測される。

【0064】

本発明のさらに他の態様は、前述の本発明の一態様によるスクリーニング方法によって得られた新生抗原を含む、がん患者の治療予後予測用組成物を提供する。

【0065】

本発明の一態様によるがん患者の治療予後予測用組成物は、がん患者の治療予後を予測するために必要なさらなる成分をさらに含むものでもある。

【発明の効果】

【0066】

本発明の一具体例による方法は、がん細胞の生存に必須な普遍的依存性遺伝子あるいはがん患者特異的依存性遺伝子に由来する新生抗原を診断、及び／または治療標的としてスクリーニングすることができるようにし、がん細胞の免疫回避に対する心配なしに、がん細胞に対する免疫治療効果を極大化させることができる新生抗原基盤抗がんワクチンの開発、及びがん患者の治療予後予測に有用に利用されうる。

【図面の簡単な説明】

【0067】

【図1】本発明の一具体例による、がん細胞生存依存性遺伝子予測をインシリコで行う方法の概略図である。

【図2】本発明の一具体例による、新生抗原をスクリーニングする方法のフローチャートである。該新生抗原が導き出された遺伝子のがん細胞生存依存性判断と、新生抗原と抗原提示細胞との結合力判断は、必要により、遂行順序及び遂行回数が調整されうる。

【図3】本発明の一具体例による、新生抗原スクリーニングのためのシステムのブロック図である。

【図4】本発明の一具体例によるプロセッサのブロック図である。

【図5】本発明の一具体例による、インビトロ依存性データを利用した新生抗原のスクリーニング方法によって得られた新生抗原の診断、及び／または治療標的としての有意性を示す。肺がん及び黒色腫について公開されたコホートのインビトロ依存性データ（denpendency）及び発現均一性データ（expression homogeneity）を利用し、本発明の一具体例による、がん細胞生存依存性基盤新生抗原のスクリーニング方法の有用性を検証した。灰色点線は、既存に使用される標準的な方法により、全遺伝子を対象に計算された新生抗原個数の差を示す。

【図6】がん細胞の免疫回避メカニズムの模式図である。新生抗原が導き出される蛋白質ががん細胞の生存に必須であり、全ての細胞で均一に発現される恒時性（constitutive）新生抗原である場合、がん細胞が免疫治療に効果的に反応するが、新生抗原ががん細胞の生存に必須ではないか、あるいは全ての細胞で均一に発現されない可変性（facultative）新生抗原である場合（下端）、免疫治療に対する免疫回避メカニズムが起こることを示す。

【図7】本発明の一具体例による、インビトロ依存性データ及び単一細胞遺伝子発現データに基づく新生抗原のスクリーニング方法によって得られた新生抗原の免疫治療に対する反応様相を示す。黒色腫免疫チェックポイント阻害剤（checkpoint blockade）処方コホート（Riaz）において、治療前後のクローン変化と遺伝子発現変化とを、新生抗原が由来する遺伝子機能のがん生存に係わる必須性（high dependency ｖｓ． low dependency）、及び遺伝子発現の均一性（homogenous ｖｓ． heterogenous expression）に分けて比較した結果を示す。ＣＲ／ＰＲとＳＤ／ＰＤは、それぞれ肯定的予後と否定的予後とを意味する。肯定的予後を示す患者の場合、高い必須性遺伝子由来新生抗原が主に免疫攻撃を受け、クローン収縮（clonal contraction）を受け、免疫編集の結果として、遺伝子の発現（ＲＮＡexpression）が低減された一方、否定的予後を示す患者の場合、低い必須性遺伝子由来新生抗原が主に免疫攻撃を受け、クローン拡張と発現低下とが示されたことを確認することができる。

【図8】本発明の一具体例による、インビトロ依存性データに基づく新生抗原のスクリーニング方法によって得られた新生抗原の診断／治療標的としての有意性を示す。図５に提示されたところと類似した分析を、全種類のがん患者サンプルに係わるＭＳＫＣＣパネル（遺伝子個数４６８個）結果、及び肺がんと黒色腫との免疫治療コホートにつき、生存分析を行ったものである。図８の上端（ＭＳＫ pan－cancer）は、突然変異由来遺伝子を、ＭＳＫＣＣパネル全体（all）、あるいはがん細胞生存に係わる必須性上位５０％遺伝子（high fitness）または下位５０％遺伝子（low fitness）によって分析した結果であり、中間（lung cancer）及び下端（melanoma）は、肺がんと黒色腫との公開された免疫治療コホートを、全遺伝子、またはがん細胞生存必須性上位５００個（high fitness）遺伝子及び下位５００個（low fitness）遺伝子について分析した結果である。各遺伝子グループにより、突然変異量（mutation burden）あるいは新生抗原個数（neoantigen load）が多い患者（high）と少ない患者（low）とに分け、治療後の生存率を比較し、ＨＲ（hazard ratio）値とｐ値とをそれぞれ示す。ＨＲが低いほど、ｐ値が低いほど、当該遺伝子グループの治療予後に係わる説明力が高いということを意味する。結果として、標準的な方法により、全遺伝子グループを使用するより、がん細胞生存依存性が高い少数の遺伝子グループを使用する方が、治療予後についてさらに良好に説明するということが分かる。

【図9】本発明の一具体例によるがん患者特異的インシリコ依存性データに基づいて得られた新生抗原の診断／治療標的としての有意性を示す。ＴＣＧＡ（The Cancer Genome Atlas）で公開された肺がん患者及び乳がん患者に係わるトランスクリプトームデータ（https://portal.gdc.cancer.gov/）を基に、図１に提示されたインシリコ依存性予測を行った。それらは、免疫抗がん治療を実際に受けた患者ではないので、免疫細胞浸透度が高いサンプル（high leukocyte fraction）と、免疫細胞浸透度が低いサンプル（low leukocyte fraction）とに分け、免疫治療と類似した効果が、免疫細胞浸透度が高いサンプルで示されると仮定した。図５に提示されたように、新生抗原が由来する遺伝子の患者の生存に係わる説明力を測定し、免疫細胞浸透度が高いサンプルでのみ類似した結果を得た（Ｒ：responder；ＮＲ：nonresponder）。灰色点線は、既存に使用される標準的な方法により、全遺伝子を対象に計算された新生抗原個数の差を示す。がん患者特異的依存性データが、全般的に、普遍的依存性データに比べ、さらに高い説明力の差を示すということを確認することができた。

【図10】本発明の一具体例による、新生抗原のスクリーニング方法に使用される新生抗原とＭＨＣとの結合親和力を予測するモデルの模式図である。ＨＬＡと新生抗原ペプチドとの二次元マトリックスをアミノ酸類似度マトリックス（amino acid similarity matrix）情報を基に構築し、そこにＣＮＮ（convolutional neural network）を適用し、ＨＬＡと抗原ペプチドとの結合力を予測するモデルを示す。

【図11】ＩＥＤＢ（Immune Epitope Database）公式提供テストデータセットを使用し、本発明の一具体例による、ＣＮＮとその他方法（ＮｅｔＭＨＣｐａｎ、ＮｅｔＭＨＣｃｏｎ、ＡＮＮ、ＳＭＭＰＭＢＥＣ）の性能（ＡＵＣ、Ｆ１ score）比較結果を示す。

【図12】本発明の一具体例によって予測された新生抗原のＨＬＡ結合能を確認した結果を示す。ＨＬＡ－Ａ０２に結合すると予測された新生抗原を含むペプチドの８０％が、実際にＨＬＡ－Ａ０２に結合すると確認された。

【図13】本発明の一具体例によって選別された新生抗原によって誘導された免疫反応を確認した結果を示す。新生抗原に係わるＣＤ８＋Ｔ細胞反応確認につき、ＩＮＦγ分泌に基づくエリスポット（ＥＬＩＳｐｏｔ）分析は、反応性が予測された１５個の候補新生抗原ペプチドのうち１０個（６６．７％）がＴ細胞によるＩＮＦγ分泌を誘発したということを確認した。

【発明を実施するための形態】

【0068】

本発明は、添付図面と共に、下記において詳細に記載される実施例を参照すれば、明確になるであろう。しかしながら、本発明は、実施例に限定されるものではなく、多様な形態に具現され、本実施例は、単に本発明の開示を完全なものにし、本発明が属する技術分野において当業者に発明の範疇を完全に知らせるために提供されるものであり、本発明は、請求項によって定義される。

【0069】

本明細書で使用される用語「エクソーム（exome）」は、細胞、細胞グループまたは個体に存在するエクソン（exon）の集合を意味する。

【0070】

本明細書で使用される用語「トランスクリプトーム（transcriptome）」は、細胞、細胞グループまたは個体に存在する発現されたＲＮＡの集合を意味する。

【0071】

本明細書で使用される用語「遺伝子発現プロファイル（gene expression profile）」は、細胞のゲノムから発現または転写される遺伝子分析であり、１以上の遺伝子のｍＲＮＡレベルを含む遺伝子の発現レベルを示す値のセットを意味する。

【0072】

本明細書で使用される用語「依存性」は、細胞の増殖または生存に係わる必須性を意味し、「必須性」と互換的に使用される。

【0073】

本明細書で使用される用語「依存性遺伝子」は、細胞の増殖または生存に必須な遺伝子を意味する。さらに具体的には、依存性遺伝子は、その発現が低減されるか、あるいは除去されれば、細胞の増殖低減及び／または死滅をもたらす遺伝子であり、細胞がその生存のために依存する遺伝子を意味し、多様な種類及び／または出処のがんまたはがん細胞の生存に普遍的に必須であると把握された普遍的依存性遺伝子、及び／または個別がん患者に由来するがん細胞の生存に特異的に必須であると把握されたがん患者特異的依存性遺伝子を含むものでもある。該依存性遺伝子は、細胞で必須に恒時性でもって発現され、全ての個別細胞で均一に発現される遺伝子を意味しうる。

【0074】

本明細書で使用される用語「普遍的依存性遺伝子」は、公知されたがん細胞株のような、インビトロデータを介し、多数の多様ながん細胞の生存に必須であると把握された遺伝子を意味する。

【0075】

本明細書で使用される用語「がん患者特異的依存性遺伝子」は、個別がん患者に由来するがん細胞の生存に必須であると把握された遺伝子を意味する。

【0076】

本明細書で使用される用語「新生抗原（neoantigen）」は、免疫反応を起こすペプチドを意味する。すなわち、該新生抗原は、免疫原性ペプチドでもある。該新生抗原は、がん細胞特異的突然変異によって誘導され、がん細胞のエピトープとして示されうる。がん細胞における突然変異、またはがん細胞に特異的な翻訳後の変形を介し、相応する野生型、親（parental）抗原と区別されるようにする少なくとも１つの変更を有する抗原である。該新生抗原は、アミノ酸配列またはヌクレオチド配列を含むものでもある。該突然変異は、フレームシフト突然変異または非フレームシフト（non-frame shift）突然変異、インデル（indel）、置換（missense）または終結（nonsense）、スプライス部位変更、ゲノム再配列または遺伝子融合、あるいは新生ＯＲＦを引き起こす任意のゲノムまたは発現の変更を含むものでもある。

【0077】

普遍的依存性またはがん患者特異的依存性の遺伝子から導き出された新生抗原は、がん細胞の免疫編集による免疫回避によって消失しないために、がん患者において、高い免疫治療効果をもたらすことができるがん患者誂え向きがんワクチンのための有効な治療標的にもなり、免疫治療の予後に係わるマーカーとして有効な診断標的にもなる。

【0078】

本明細書で使用される用語「免疫治療」は、免疫反応を利用した治療療法を意味する。該免疫治療は、がん治療にも利用される。例えば、該免疫治療は、免疫チェックポイント阻害剤を利用した治療でもあり、免疫チェックポイント阻害剤は、抗ＣＴＬＡ４遮断剤または抗ＰＤ－１／ＰＤ－Ｌ１遮断剤でもあるが、それらに制限されるものではなく、多様な免疫治療でもある。

【0079】

本明細書で使用される用語「結合親和力」は、新生抗原ペプチドと、抗原提示細胞のＭＨＣとの結合力を意味し、ＣＮＮ－ＭＨＣ数値によっても表現される。「ＣＮＮ－ＭＨＣ数値」は、新生抗原とＭＨＣとの間の各アミノ酸間の結合強度をマトリックス形態に変換した実験値を基に、ディープラーニングモデルを構築して得た数値であり、シグモイド活性関数に変換された０と１との確率数値を意味する。具体的には、ＭＨＣクラスＩ蛋白質またはＭＨＣクラスII蛋白質と結合可能な免疫原性ペプチドは、０．５以上であるＭＨＣ ＣＮＮ－ＭＨＣ数値を有しうる。また、ＣＮＮ－ＭＨＣ数値が１に近いほど、ＭＨＣクラスＩ蛋白質またはＭＨＣクラスII蛋白質と免疫原性ペプチドは、強い結合力を有する。

【0080】

本明細書で使用される用語「抗原提示細胞」は、蛋白質抗原を受け入れて処理した後、抗原由来ペプチド切片を、ＭＨＣクラスIIと共に、Ｔ細胞に提示して活性化させる細胞を意味し、大食細胞、Ｂ細胞、樹状細胞などでもある。

【0081】

本明細書で使用される用語「細胞生存依存性予測モデル」は、個別遺伝子の発現低減または除去による細胞の生存または死滅に係わる確率を予測するモデルを意味する。具体的には、遺伝子のノックアウト／ノックダウンによる細胞生存に係わる効果を、マシンラーニングによって学習し、特定遺伝子の細胞生存に係わる効果を予測するモデルであり、該マシンラーニングは、ＲＮＡｉまたはＣＲＩＳＰＲ／Ｃａｓ９などを利用した遺伝子のノックアウト／ノックダウンのインビトロデータによっても行われる。細胞生存依存性予測モデルに、遺伝子発現プロファイルや配列を入力すれば、当該配列が由来する遺伝子の細胞生存依存性を予測することができる。

【0082】

本明細書で使用される用語「新生抗原結合親和力予測モデル」は、新生抗原と抗原提示細胞との結合親和力、具体的には、新生細胞と、抗原提示細胞のＭＨＣとの結合親和力を予測するモデルを意味する。ペプチド配列と、ＨＬＡ配列とのアミノ酸相互作用に基づく結合親和力を、マシンラーニングによって学習し、新生抗原のペプチド配列を入力すれば、それと、抗原提示細胞のＨＬＡとの結合親和力を予測することができ、設定された結合親和力の尺度により、新生抗原を分類することができる。

【0083】

実施例１．がん細胞生存依存性遺伝子の選別
遺伝子の機能が、がんまたはがん細胞の生存に必須なのかいかんを判断するために、全遺伝子に係わるノックアウト／ノックダウンを行うことができるＲＮＡｉあるいはＣＲＩＳＰＲライブラリーを利用し、ＨＴＳ（high-throughput screening）を行うことができる。具体的には、がん細胞に、ｓｈＲＮＡライブラリーまたはＣＲＩＳＰＲ ｓｇＲＮＡを形質感染させ、一定時間を経た次、ディープシーケシング（deep sequencing）を行い、初期状態のシーケシング結果と比較することにより、どの遺伝子が不活性化された細胞が死滅したかということを定量的にプロファイリングし、がん細胞の生存に必須な遺伝子をインビトロで選別することができる。図１は、がん細胞の生存に必須な遺伝子を予測する方法を概略的に図示する。

【0084】

そのような方法により、がん細胞の生存に必須な遺伝子に係わるインビトロデータが、細胞株の個数を増やしながら、続けて生産されており、主要固形がん、例えば、肺がん、卵巣がん、大腸がん、胃がん、乳がんなどにつき、相当数のがん細胞株に係わる依存性データが確立されている（(https://depmap.org/portal/及びhttps://depmap.sanger.ac.uk/）。そのようなデータを、本発明の一具体例により、普遍的依存性遺伝子に係わるデータとして使用するか、あるいはディープラーニングを基に、がん患者特異的依存性遺伝子をインシリコで予測する目的に使用した。

【0085】

がん細胞株に係わるインビトロデータは、普遍的依存性遺伝子を獲得するのに使用することができ、一方、がん患者のトランスクリプトームデータのようながん患者に由来するデータは、がん細胞株に係わるインビトロデータから学習された細胞生存依存性予測モデルに適用し、各患者サンプル別依存性（dependency）を予測し、がん患者特異的依存性遺伝子を選別するために使用することができる。

【0086】

また、単一細胞トランスクリプトームデータにつき、細胞生存依存性予測モデルを適用し、腫瘍異質性（tumor heterogeneity）により、互いに異なる細胞の依存性様相を把握することができ、さまざまな細胞において同一に依存性を示す遺伝子を、普遍的依存性遺伝子として選択することができる。がん細胞の生存に必須であり、個別細胞レベルで均一な発現を示す遺伝子が、有効な診断及び／または標的にもなる依存性遺伝子として選別される。

【0087】

該細胞生存依存性予測モデルは、入力階層、複数の隠匿階層、及び出力階層によって構成されたディープラーニング神経網に基づくモデルである。該神経網は、前述のインビトロデータが入力階層に入力されれば、複数の隠匿階層においては、細胞の遺伝子発現様相と、細胞死との関係が学習され、出力階層においては、所定の確率値が出力されるように構成される。このとき、所定の確率値には、細胞が死滅に至る確率を示す値、及び細胞が成長する確率を示す値が含まれる。

【0088】

がん患者に係わる単一細胞トランスクリプトームデータを利用することができる場合、細胞生存依存性モデルを介し、がん患者特異的依存性遺伝子を選別するのに使用され、そうではない場合、既公開の他のがん患者サンプルに係わるデータを使用し、普遍的依存性遺伝子選別を行うことができる。

【0089】

実施例２．普遍的依存性遺伝子から導き出された新生抗原の選別及び診断／治療標的としての有意性
新生抗原は、ＭＨＣ蛋白質と結合し、がん細胞表面に導き出され、免疫細胞が抗原として認識する、正常細胞にはないが、がん特異的な突然変異によって生成される蛋白質切片であるペプチドを意味する。該新生抗原は、免疫抗がん治療の核心要素として、新生抗原の個数が多いほど、免疫抗がん治療に対する反応性が良好であると知られており、該新生抗原の量（neoantigen load）が診断マーカーとして活用されている。しかしながら、該新生抗原は、多様な遺伝子で導き出されており、それぞれ性質が異なるために、診断マーカーや治療標的としての有用性が異なるであろう。本実施例においては、実施例１に記載されたように、がん細胞生存依存性遺伝子に由来する新生抗原を、免疫抗がん治療の効果を極大化させうる有用な新生抗原として選別し、その免疫治療反応性を確認した。

【0090】

具体的には、表１に記載された免疫チェックポイント阻害剤処方コホートを利用し、免疫治療反応性を比較した。

【0091】

【表1】

【0092】

２－１．プリセラピー（pre-therapy）コホート
プ リセラピー結果のみある肺がん及び黒色腫について公開されたコホートのインビトロ依存性データ及び発現均一性データを利用し、本発明の一具体例による、がん細胞生存依存性基盤新生抗原のスクリーニング方法の有用性を検証した。分析結果が、図５に図示される。具体的には、新生抗原が由来する遺伝子のがん細胞生存に係わる必須性で整列した後、上位（high dependency）及び下位（low dependency）の５００個ないし２，０００個を選定し、免疫抗がん治療に係わる予後が良好である患者と、良好ではない患者との遺伝子別新生抗原個数の差（differential neoantigen load）を、数式

【0093】

【数1】

【0094】

を利用して計算した。この差が大きいほど、治療予後に係わる説明力が良好であると見ることができる。灰色点線は、既存に使用される標準的な方法により、全遺伝子を対象に計算された新生抗原個数の差を示す。結果として、少数の高必須性遺伝子または均一発現遺伝子を使用した場合が、かえって全遺伝子を使用した場合より良好な説明力を示し、低必須性遺伝子または非均一発現遺伝子を使用した場合の説明力は、良好ではないということを見ることができる。同様に、発現均一性（expression homogeneity）と遺伝子発現レベル（expression level）とにより、新生抗原個数差を計算した。これを介し、遺伝子の発現レベル自体より、遺伝子の必須性と発現均一性とが治療予後に係わる説明力がさらにすぐれているということが分かる。具体的には、新生抗原が由来する遺伝子のがん細胞生存に係わる必須性で整列した後、上位（high dependency）及び下位（low dependency）の５００個ないし２，０００個を選定し、遺伝子別免疫抗がん治療に係わる予後が良好である患者と、良好ではない患者との新生抗原個数の差（differential neoantigen load）を計算した。この差が大きいほど、治療予後に係わる説明力が良好であると見ることができる。灰色点線は、既存に使用される標準的な方法により、全遺伝子を対象に計算された新生抗原個数の差を示す。結果として、少数の高必須性遺伝子あるいは均一発現遺伝子を使用した場合が、かえって全遺伝子を使用した場合より良好な説明力を示し、低必須性遺伝子あるいは非均一発現遺伝子を使用した場合の説明力は、良好ではないと見ることができる。同様に、発現均質性（expression homogeneity）と遺伝子発現レベル（expression level）により、新生抗原個数差を計算した。これを介し、遺伝子の発現値自体より、遺伝子の必須性と発現均一性とが治療予後に係わる説明力がさらにすぐれているということが分かる。

【0095】

そのような結果は、免疫反応が集中する新生抗原が由来する遺伝子の機能が、がんの増殖や生存に必須ではない場合、免疫回避メカニズムがさらに活発に起こりうるということを意味する。図６は、がん細胞の免疫回避メカニズムの模式図を示す。

【0096】

２－２．プリセラピー及びオンセラピー（on-therapy）コホート
免疫チェックポイント阻害剤の治療前（プリセラピー）及び治療中（オンセラピー）のデータを有するRiazコホートのデータを利用し、新生抗原由来遺伝子の依存性と免疫治療反応性とを分析した。図７に、その結果が図示される。

【0097】

具体的には、黒色腫免疫チェックポイント阻害剤処方コホート（Riaz）において、治療前後のクローン変化と遺伝子発現変化とにつき、新生抗原が由来する遺伝子機能のがん生存に係わる必須性（high dependency ｖｓ．low dependency）、及び遺伝子発現の均一性（homogenous ｖｓ． heterogenous expression）に分けて比較した結果を示す。ＣＲ／ＰＲとＳＤ／ＰＤは、それぞれ肯定的予後と否定的予後とを意味する。

【0098】

治療反応が良好である患者群（ＣＲ（complete remission）／ＰＲ（partial remission））の場合、発現が均一な遺伝子と、がん細胞生存に必須な依存性遺伝子とに由来する新生抗原が、主に抗がん免疫反応の対象になり、クローン収縮（clonal contraction）が起こると共に、ＲＮＡレベルにおける発現量が落ちている一方、治療反応が良好ではない患者群（ＳＤ（stable disease）とＰＤ（progressive disease））の場合、異質的な発現を示す遺伝子と、がん細胞生存に必須ではない遺伝子とに由来する新生抗原が、主な免疫攻撃の対象になり、免疫編集を介し、遺伝子発現が低減され、免疫回避に成功した結果、かえってクローン拡張（clonal expansion）が起きたことを確認した。

【0099】

２－３．ＭＳＫ－ＩＭＰＡＣＴ（integrated mutation profiling of actionable cancer targets）
新生抗原由来遺伝子の依存性と免疫治療反応性とを、さまざまながん腫について検証するために、ＭＳＫ－ＩＭＰＡＣＴを利用した。

【0100】

既存研究においては、いわゆる、ＭＳＫＣＣ（Memorial Sloan Kettering Cancer Center）パネルに属した４６８個の遺伝子に限り、免疫チェックポイント阻害剤治療を受けた多様ながん腫にわたる１，６６２名の突然変異量（新生抗原量と比例する）を測定し、その量が免疫治療反応性の重要決定因子であるという事実を明らかにした（Nat. Genet. 51: 202-206, 2019）。

【0101】

本実施例においては、ＭＳＫＣＣパネルに存在する４６８個の遺伝子のうち、がん細胞生存必須性が高い遺伝子（high dependency）上位５０％を選別し、突然変異量を測定するとき、４６８個遺伝子いずれをも使用したときより、免疫チェックポイント阻害剤治療の反応性と、さらに高い関連性を有することを確認した。その結果が、図８上端に図示される。ＭＳＫＣＣパネル全体（all）、がん細胞生存に係わる必須性上位５０％遺伝子（high fitness）、または下位５０％遺伝子（low fitness）によって生存分析を行った結果でもって、治療後の生存率を比較し、ＨＲ（hazard ratio）値とｐ値とをそれぞれ示す。ＨＲが低いほど、ｐ値が低いほど、当該遺伝子グループの治療予後に係わる説明力が高いということを意味する。がん細胞の生存と高い依存性を有する上位５０％に属する２２６個の遺伝子の突然変異量（mutation load）が４８６個全体遺伝子の突然変異量より、免疫治療反応性とさらに高い関連性を示した。

【0102】

また、図８の中間及び下端は、それぞれ肺がんと黒色腫との公開された免疫治療コホートを、全遺伝子、またはがん細胞生存必須性上位５００個及びその下位５００個遺伝子によって分析した結果である。各遺伝子グループにより、突然変異量（mutation burden）または新生抗原個数（neoantigen load）が多い患者と、少ない患者とに分け、治療後の生存率を比較し、ＨＲ値とｐ値とをそれぞれ示す。結果として、標準的な方法により、全遺伝子グループを使用するより、がん細胞生存依存性が高い少数の遺伝子グループを使用する方が、治療予後についてさらに良好に説明するということが分かる。

【0103】

そのような結果を総合するとき、抗原（新生抗原及び表面抗原を含む）が由来する遺伝子のがん細胞における必須性と、組織内個別細胞間の発現様相の均一性が、がんの免疫反応に非常に重要に作用するということを確認した。これは、治療側面においては、がん生存に係わる必須遺伝子、及び均一な発現を示す遺伝子に由来する新生抗原に集中するように誘導することががんの免疫回避を最小化させるのに必須であり、そのような新生抗原の量が、免疫治療予後を予測することができるマーカーにも利用されるということを示す。

【0104】

実施例３．がん患者特異的依存性遺伝子から導き出された新生抗原の選別及び診断／治療標的としての有意性
本実施例においては、特定のがん患者の試料から得られたデータを、細胞生存依存性予測モデルに適用して選別されたがん患者特異的依存性遺伝子に由来する新生抗原を得て、そのような新生抗原と、がん患者生存との関連性を確認した。

【0105】

実施例２は、普遍的依存性遺伝子から導き出された新生抗原の免疫治療患者生存との関連性を検討した。実施例２で使用された依存性データは、実施例１で説明されたインビトロがん細胞株実験に由来するものであり、与えられた患者の依存性ではなく、さまざまながん細胞株で普遍的に依存性を有する遺伝子を掘り出したものである。前述のように、インビトロ依存性データから、遺伝子の発現量パターンと、細胞死との関係を学習させ、遺伝子発現に対する細胞生存の依存性を予測する細胞生存依存性予測モデルを生成し、がん患者の遺伝子発現プロファイルを、前記予測モデルに入力し、がん患者特異的依存性遺伝子を選別することができる。そのようながん患者特異的インシリコ依存性データに基づいて得られた新生抗原の診断／治療標的としての有意性を確認するために、ＴＣＧＡ（The Cancer Genome Atlas）で公開された肺がん患者及び乳がん患者に係わるトランスクリプトームデータ（https://portal.gdc.cancer.gov/）を使用した。それらは、免疫抗がん治療を実際に受けた患者ではないので、免疫細胞浸透度が高いサンプル（high leukocyte fraction）と、免疫細胞浸透度が低いサンプル（low leukocyte fraction）とに分け、免疫治療と類似した効果が、免疫細胞浸透度が高いサンプルで示されると仮定した。

【0106】

その結果が図９に図示される。がん細胞の増殖や生存に必須ながん患者特異的依存性遺伝子（high dependency）に由来する新生抗原の個数（図９の黒色棒グラフ）が、新生抗原全体個数（図９における水平線）や生存に役に立たない非依存性遺伝子（low dependency）に由来する新生抗原の個数（図９の灰色棒グラフ）より説明力が高かった。特に、そのような結果は、免疫細胞浸透度が高いサンプルでのみ観察され、がん患者特異的依存性データが、全般的に、普遍的依存性データに比べ、さらに大きい説明力の違いを示すということを確認することができた。

【0107】

実施例４．新生抗原と抗原提示細胞との結合力予測モデル
新生抗原が免疫治療反応性を示すためには、抗原提示細胞によって加工され、細胞表面でＨＬＡと結合しなければならない。

【0108】

新生抗原と抗原提示細胞との結合力予測モデルを構築して検証するために、先行研究で使用したＩＥＤＢ（Immune Epitope Database）のベンチマークデータを利用し、ＩＥＤＢに公開された既存機械学習アルゴリズムの予測力結果と比較した。

【0109】

新生抗原と抗原提示細胞との結合力予測モデルは、ＣＮＮモデルであり、複数のコンボリューション階層、全連結階層及び出力階層を含み、該コンボリューション階層の全ての出力値を予測に使用するために、プーリング階層は含まない。

【0110】

複数のコンボリューション階層は、入力データから相互作用特徴を抽出し、入力データは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との結合親和度を示すパラメータを含むマップ（map）データを意味する。複数のコンボリューション階層は、特定個数のカーネルまたは加重値マトリックスを利用し、コンボリューションを行う。該全連結階層は、コンボリューション階層の出力値を入力として受けて統合し、該出力階層は、シグモイド（sigmoid）関数を利用し、結合可能性に係わる情報を出力する。図１０は、本発明の一具体例による、新生抗原のスクリーニング方法に使用される新生抗原とＭＨＣとの結合親和力を予測するモデル（ＣＮＮ－ＭＨＣ）の模式図である。

【0111】

構築されたモデルを、ＩＥＤＢにある５０，０００個以上のペプチド－ＭＨＣインビトロ結合実験結果を使用して学習させ、ＩＥＤＢで毎週新たに公開しているテストデータセット（test data set）で性能を評価した結果、７０％以上のテストデータセットにつき、ＳＭＭＰＭＢＥＣ、ＡＮＮ及びＮｅｔＭＨＣｃｏｎのような既存アルゴリズムだけではなく、特に、最も多く使用されているＮｅｔＭＨＣｐａｎを凌駕する性能を確認した。その結果が、図１１に図示される。

【0112】

４－１．新生抗原とＨＬＡとの結合確認
本実施例のモデル（ＣＮＮ－ＭＨＣ）を利用して予測された新生抗原のＨＬＡ分子との実際結合を確認するために、新生抗原のＨＬＡとの結合能をテストした。具体的には、ＨＬＡ－Ａ０２と結合すると予測されたペプチドの結合能を、ＨＬＡ－Ａ０２を発現するＴ２細胞株（ＡＴＣＣ ＣＲＬ－１９９２）を利用して分析した。ＨＬＡ－Ａ０２と結合すると予測されたペプチドが、表２（配列番号１ないし配列番号５０）に表示される。表２において、ＣＮＮ－ＭＨＣ数値は、新生抗原とＭＨＣとの各アミノ酸間の結合強度をマトリックス形態に変換した実験値を基に、ディープラーニングモデルを構築して得た数値であり、０と１との確率に変換された数値を意味し、ＮｅｔＭＨＣ数値は、新生抗原の結合予測に一般的に使用されるＮｅｔＭＨＣツールの最新バージョンであり、質量分析器データを基に学習されたモデルであるＮｅｔＭＨＣＰａｎ－４．１で計算されたＭＨＣ蛋白質とペプチドとの結合予測数値を意味する。２つの数値は、いずれも高いほど、結合確率が高いという意味である。具体的には、培養されたＴ２細胞株（１ｘ１０^６／ｍｌ）に５０μｇ／ｍｌ濃度のペプチドを２４時間処理した後、ＡＰＣが標識されたＨＬＡ－Ａ２単クローン抗体で染色した。それを流細胞分析器で分析し、結合能を確認した。このとき、陰性対照群として、ＤＭＳＯを使用し、陽性対照群として、Ｍａｒｔ－１とＮＹ－ＥＳＯとを使用した。

【0113】

【表2】

【0114】

図１２は、ＭＨＣ結合分析の結果を示す。本実施例のモデル（ＣＮＮ－ＭＨＣ）によって予測されたペプチドの８０％が、実際に、ＨＬＡ－Ａ０２に結合すると確認された。広く使用されているＮｅｔＭＨＣｐａｎ－４．１の予測値（http://www.cbs.dtu.dk/services/NetMHCpan-4.1/）と比較するとき、本実施例のモデルがさらに優秀な予測力を有している。

【0115】

一方、前述の実施例は、図３でのようなシステムのメモリ１１０に保存された少なくとも１つのインストラクションを実行するプロセッサ１２０によっても遂行される。図４を参照すれば、プロセッサ１２０は、エクソーム、トランスクリプトームまたは全体ゲノムの配列分析データを得るデータ獲得部１２１、細胞生存依存性予測モデル及び結合力予測モデルを生成する予測モデル生成部１２２、細胞生存依存性予測モデルを利用し、がん細胞生存依存性遺伝子を選別する遺伝子選別部１２３、並びにがん患者の遺伝子発現プロファイルから新生抗原を収集し、結合力予測モデルを利用し、抗原提示細胞のＨＬＡとの結合親和力がある新生抗原を選別する新生抗原選別部１２４を含むものでもある。

【0116】

予測モデル生成部１２２がインストラクションを反復して行うことにより、細胞生存依存性予測モデル及び結合力予測モデルは、新たな入力データに基づいて更新されうる。予測モデル生成部を介し、生成及び更新される予測モデルは、メモリにも保存される。

【0117】

実施例５．新生抗原を含む抗がんワクチン
前述の実施例に記載されたように、がん細胞生存依存性遺伝子に由来する新生抗原を含む抗がんワクチンを製造することができる。

【0118】

がん細胞や組織が移植されたマウス細胞株に係わるエクソームシーケシングを行い、正常細胞にはない突然変異を掘り出し、それら突然変異を、抗原提示細胞との結合力予測モデルに適用し、新生抗原候補を選定することができる。細胞生存依存性モデルを利用し、当該がん腫に係わる依存性データから、新生抗原が導き出された遺伝子のがん細胞生存に係わる必須性を判断し、新生抗原を必須性によって整列し、上位５個及び下位５個を選定することができる。選定された新生抗原部位を含む９～３０個のアミノ酸によって構成された可能な全てのペプチド配列を生成し、ペプチド合成に適する化学的特性、例えば、親水性が高く（Kyte－Doolittle ＧＲＡＶＹ＜０）、不安定指数が低い（ＩｎｓｔａＩｎｄｅｘ＜４０）配列を選定してペプチドを合成し、新生抗原に対する抗がんワクチンを製造することができる。

【0119】

５－１．新生抗原の選定
実施例１ないし４に記載されたような細胞生存依存性予測モデル、及び新生抗原と抗原提示細胞との結合力予測モデルを利用し、がん細胞株のエクソーム及びトランスクリプトームの情報を分析し、細胞生存必須性が高い依存性遺伝子に由来し、ＨＬＡ結合能を有する突然変異を選定した。

【0120】

５－２．新生抗原による免疫反応確認
新生抗原による免疫反応誘導いかんを確認するために、５－１で選定された新生抗原ペプチドを含み、ＨＬＡ結合能が予測されるか、あるいは実験的に検証された新生抗原ペプチドを認識するＴ細胞の生成いかんをテストした。具体的には、特異性を示すＴ細胞プールを確認するために、マウスがん細胞株が移植されたマウスを使用した。該マウスモデルは、マウス肺がん細胞株であるＬＬＣ－１（ＡＴＣＣ ＣＲＬ－１６４２） １ｘ１０^６を、６週齢の体重２０ｇである雄Ｃ５７ＢＬ／６マウスわき腹に皮下注入して生成した。

【0121】

具体的には、がん細胞株のエクソーム及びトランスクリプトームの分析を介し、細胞生存必須性が高く、抗原提示細胞との結合力が高いように予測された突然変異１５種を、ＨＬＡ結合及びＣＤ８＋Ｔ細胞反応性を予想することができる新生抗原群として選定した。選定されたペプチド情報は、表３（配列番号５１ないし６５）に整理した。表３に記載されたＣＮＮ－ＭＨＣ数値は、新生抗原とＭＨＣとの各アミノ酸間の結合の強度をマトリックス形態に変換した実験値を基に、ディープラーニングモデルを構築して得た数値であり、０と１との確率に変換された数値であり、高いほど結合確率が高いということを示す。該突然変異配列に合成された９ｍｅｒまたは１５ｍｅｒのペプチドでワクチン処理したマウスの脾臓から抽出した脾臓細胞を使用し、新生抗原に係わるＣＤ８＋Ｔ細胞反応を確認するために、ＩＦＮγ分泌に基づくエリスポット（ＥＬＩＳｐｏｔ）分析を行った。反応性が予測された１５個の候補新生抗原ペプチドのうち１０個のペプチド（６６．７％）によるＴ細胞のＩＦＮγ分泌を確認した。その結果が図１３に図示される。それにより、本発明の一具体例による方法を利用して選別された新生抗原が、実際に、ＨＬＡに結合し、効果的に免疫反応を誘導することができるということを確認した。

【0122】

【表3】

【0123】

実施例６．新生抗原を利用したがん患者の治療予後予測
前述の実施例に記載されたように、がん細胞生存依存性遺伝子に由来する新生抗原を利用し、がん患者の治療予後を予測することができる。

【0124】

患者の試料に係わるエクソームシーケシングを行い、正常細胞にはないが、がん細胞にだけ存在する突然変異を掘り出し、それら突然変異を、抗原提示細胞との結合力予測モデルに適用し、新生抗原候補を選定することができる。細胞生存依存性モデルを利用し、当該がん腫に係わる依存性データから、新生抗原が導き出された遺伝子のがん細胞生存に係わる必須性を判断し、新生抗原を生存に係わる必須性によって整列し、上位及び下位から、同一個数の遺伝子（例えば、５００個）を選定することができる。免疫抗がん治療を受けた患者群から、免疫抗がん治療に対して反応した患者群と、反応していない患者群とを分類し、選定された必須性上位及び必須性下位の遺伝子から導き出された新生抗原の個数を比較し、必須性が高い上位遺伝子から導き出された新生抗原の個数が、患者の治療予後と関連性が高いか否かということを判断することができる。選定する遺伝子の個数を変更しながら、新生抗原の個数と、患者の治療予後との関連性判断を反復し、患者の治療予後を予測するのに必要な依存性遺伝子由来新生抗原を決定することができる。

【0125】

図８は、がん細胞生存に係わる必須性が高い遺伝子由来突然変異量や新生抗原個数が、治療予後に係わる説明力が高く、がん患者の治療予後を予測するためにも利用されるということを示す。

【0126】

前述の本発明の説明は、例示のためのものであり、本発明が属する技術分野の当業者であるならば、本発明の技術的思想や必須特徴を変更せずとも、他の具体的な形態に容易に変形が可能であるということを理解することができるであろう。従って、以上で記述された具体例は、全ての面において例示的なものであり、限定的ではないと理解されなければならない。例えば、単一なものであると説明されている各構成要素は、分散されても実施され、同様に、分散されていると説明されている構成要素も、結合された形態にも実施される。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【配列表】

2023509540000001.app

【手続補正書】

【提出日】2022-07-19

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

がん患者からエクソーム（ｅｘｏｍｅ）、トランスクリプトーム（ｔｒａｎｓｃｒｉｐｔｏｍｅ）、単一細胞トランスクリプトーム（ｓｉｎｇｌｅ ｃｅｌｌ ｔｒａｎｓｃｒｉｐｔｏｍｅ）、ペプチドーム（ｐｅｐｔｉｄｏｍｅ）または全体ゲノムの配列分析データを得る段階と、
がん細胞生存依存性遺伝子を選別する段階と、
前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階と、を含み、
前記がん細胞生存依存性遺伝子を選別する段階は、細胞生存依存性予測モデルを利用し、がん細胞の生存に必須ながん細胞生存依存性遺伝子を選別することを含み、
前記細胞生存依存性予測モデルは、細胞の遺伝子発現と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別し、
前記がん細胞生存依存性遺伝子から導き出された新生抗原を得る段階は、
がん患者から得られた配列分析データから、がん細胞からの配列と、正常細胞からの配列とを比較し、がん患者の新生抗原を得る段階と、
前記得られた新生抗原のうちから、前記がん細胞生存依存性遺伝子から導き出された新生抗原を収集する段階と、を含む、新生抗原をスクリーニングする方法。

【請求項2】

前記方法は、前記新生抗原と、抗原提示細胞のＨＬＡとの結合親和力を判断する段階をさらに含む、請求項１に記載の方法。

【請求項3】

前記選別されたがん細胞生存依存性遺伝子は、その発現量低減時またはその除去時、がん細胞死をもたらすが、正常細胞の生存には影響を及ぼさない、請求項１に記載の方法。

【請求項4】

前記細胞の遺伝子発現と、細胞死との関係は、標的化された遺伝子発現低減またはその
除去によるがん細胞株の死滅いかんに係わるインビトロデータまたはインシリコデータに基づく、請求項１に記載の方法。

【請求項5】

前記がん細胞生存依存性遺伝子を選別する段階は、前記細胞生存依存性予測モデルから選別されたがん細胞生存依存性遺伝子が、がん患者で得られた全てのがん細胞で均一に発現されるか否かということを判断する段階をさらに含む、請求項１に記載の方法。

【請求項6】

前記新生抗原を収集する段階は、前記がん細胞生存依存性遺伝子の非同義（ｎｏｎｓｙｎｏｎｙｍｏｕｓ）突然変異を選別する段階をさらに含む、請求項１に記載の方法。

【請求項7】

前記新生抗原は、がん患者特異的である、請求項１に記載の方法。

【請求項8】

前記新生抗原と、抗原提示細胞のＨＬＡとの結合親和力を判断する段階は、
前記新生抗原の配列を、抗原ペプチドと、抗原提示細胞のＨＬＡとの結合親和力を予測する新生抗原結合親和力予測モデルに入力し、結合親和力予測を得る段階を含み、
前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものであり、
前記ＨＬＡは、ＭＨＣクラスＩあるいはＭＨＣクラスＩＩである、請求項２に記載の方法。

【請求項9】

前記抗原提示細胞は、樹状細胞、大食細胞、Ｂ細胞、またはそれらの組み合わせである、請求項８に記載の方法。

【請求項10】

前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力があると判断する、請求項８に記載の方法。

【請求項11】

少なくとも１つのインストラクションを保存するためのメモリと、
前記メモリに保存された前記少なくとも１つのインストラクションを実行する少なくとも１つのプロセッサと、を含み、
前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、
細胞の遺伝子発現量と、細胞死との関係を学習させ、遺伝子発現に係わる細胞生存の依存性を予測する細胞生存依存性予測モデルを生成し、
前記細胞生存依存性予測モデルは、細胞の遺伝子発現量と、細胞死との関係を学習させることによって生成され、遺伝子の発現量低減または除去により、がん細胞死をもたらす遺伝子を、がん細胞生存依存性遺伝子として選別し、がん患者の遺伝子発現プロファイルと正常細胞または正常対照の遺伝子発現プロファイルとを比較し、新生抗原を得て、前記がん細胞生存依存性遺伝子から導き出された新生抗原を収集し、
がん患者の遺伝子発現プロファイルを、前記細胞生存依存性予測モデルに入力し、がん細胞生存依存性遺伝子を選別し、前記がん細胞生存依存性遺伝子から導き出された新生抗原を得て、
ペプチドと抗原提示細胞とのアミノ酸相互作用に基づき、結合親和力を予測する新生抗原結合親和力予測モデルを生成し、
前記新生抗原結合親和力予測モデルを利用し、抗原提示細胞のＨＬＡとの結合親和力がある新生抗原を選択する、新生抗原スクリーニング用システム。

【請求項12】

前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、前記新生抗原と、前記抗原提示細胞のＨＬＡとのＣＮＮ－ＭＨＣ数値が＞０．５である場合、結合親和力がある新生抗原として選択する、請求項１１に記載のシステム。

【請求項13】

前記プロセッサは、前記少なくとも１つのインストラクションを実行することにより、
それぞれ遺伝子の発現と、細胞死との関係、及び新生抗原と、抗原提示細胞のＨＬＡとの結合親和力の関係を学習する、請求項１１に記載のシステム。

【請求項14】

前記細胞の遺伝子発現と、細胞死との関係は、標的化された遺伝子発現低減またはその除去によるがん細胞株の死滅いかんに係わるインビトロデータまたはインシリコデータに基づく、請求項１１に記載のシステム。

【請求項15】

前記新生抗原結合親和力予測モデルは、ペプチドのアミノ酸と、ＨＬＡのアミノ酸との相互作用データでもって学習させて生成されたものである、請求項１１に記載のシステム。

【請求項16】

前記遺伝子発現プロファイルは、エクソーム、トランスクリプトーム、単一細胞トランスクリプトーム、ペプチドームまたは全体ゲノムの配列分析データである、請求項１１に記載のシステム。

【請求項17】

請求項１～１０のいずれか１項に記載の方法によって新生抗原を得る段階と、
前記新生抗原を含む抗がんワクチンを製造する段階と、を含み、
前記抗がんワクチンを製造する段階は、
前記新生抗原を含む、９個ないし３０個のアミノ酸で構成されたペプチド配列を得る段階と、
前記ペプチド配列から親水性及び安定性を有するペプチド配列を選択する段階と、をさらに含む、抗がんワクチンを製造する方法。

【請求項18】

前記選択されたペプチド配列は、Ｋｙｔｅ－Ｄｏｏｌｉｔｔｌｅ ＧＲＡＶＹ＜０であり、ＩｎｓｔａＩｎｄｅｘ＜４０である、請求項１７に記載の方法。

【請求項19】

請求項１～１０のいずれか１項に記載の方法によって新生抗原を得る段階と、
がん患者の試料から前記新生抗原の量を測定する段階と、を含む、がん患者の治療予後を予測する情報を提供する方法。

【請求項20】

前記得られた新生抗原の量を、治療予後が確認されたがん患者からなる対照群から得られた前記新生抗原の量と比較する段階をさらに含む、請求項１９に記載の方法。

【国際調査報告】