- 5 次围观
解码肿瘤免疫对于癌症免疫治疗至关重要，然而，转录组学分析流程仍受制于工具碎片化和解释偏倚等瓶颈。在此，我们提出 IOBRpy——一个由创新性 AI 双智能体层驱动的 Python 工具包，用于实现自动化、高度标准化的免疫肿瘤学工作流程。 突破传统表达谱分析的局限，IOBRpy 支持具备智能体特征的多组学解析。从原始 FASTQ 数据或 TPM 矩阵出发，它可无缝整合上游质量控制、转录本定量以及下游肿瘤微环境（TME）解析，涵盖特征签名评分、配体-受体串扰分析和细胞去卷积。 关键的是，IOBRpy 通过纳入互补性的免疫基因组学层面扩展了数据维度，从而能够基于测序数据同步实现高分辨率 SpecHLA 分型以及基于 TRUST4 的 TCR/BCR 受体库重建。 在两个大规模队列（IMvigor210 和 OAKPOPLAR）中的应用表明，IOBRpy 成功捕获了多维度的预后信息。尽管广义 HLA-I 杂合性影响甚微，但它能够精准揭示按治疗分层的、等位基因特异性的生存相关性（如 HLA-A*01 和 HLA-DPA1*02），并将其与特异性的免疫抑制性配体-受体网络（如 HMGB1-THBD 和 EFNB2-EPHB6）以及动态变化的 TCR 克隆多样性转变紧密关联起来。 支撑这一全流程体系的是一个配对智能体框架：工作流智能体可自动审计项目状态，以执行经验证且具有路径感知能力的命令；结果智能体则负责评估工具溯源信息，进行方法感知的自适应可视化，并将研究发现组织为受证据约束的生物学假说。 总体而言，IOBRpy 提供了一个可复现、可扩展且经智能增强的 Python 入口，可将原始测序数据转化为可供多组学解释的研究发现，从而服务于队列规模的精准免疫治疗研究（https://iobr.github.io/IOBRpy/）。
解码肿瘤免疫对于癌症免疫治疗至关重要，然而转录组学分析流程仍受制于工具碎片化和解释偏倚所带来的瓶颈。在此，我们提出 IOBRpy，这是一款由创新性 AI 双智能体层驱动的 Python 工具包，用于实现自动化、高度标准化的免疫肿瘤学工作流程。IOBRpy 超越了传统的表达谱分析，支持具有智能体特征的多组学解码。从原始 FASTQ 文件或 TPM 矩阵出发，它可无缝整合上游质量控制、转录本定量以及下游肿瘤微环境（TME）解析，涵盖特征签名评分、配体-受体串扰分析和细胞去卷积。关键的是，IOBRpy 通过引入互补性的免疫基因组学层面扩展了数据维度，从而能够基于测序数据并行实现高分辨率 SpecHLA 分型以及基于 TRUST4 的 TCR/BCR 受体库重建。在两个大规模队列（IMvigor210 和 OAKPOPLAR）中的应用表明，IOBRpy 成功捕获了多维度的预后见解。尽管广泛的 HLA-I 杂合性对结局的影响微乎其微，但它精确揭示了经治疗分层的、等位基因特异性的生存相关性（例如 HLA-A*01 和 HLA-DPA1*02），且这些相关性与不同的免疫抑制性配体-受体网络（如 HMGB1-THBD 和 EFNB2-EPHB6）以及动态的 TCR 克隆多样性变化紧密相关。支撑这一全流程的是一个配对智能体框架：工作流智能体通过自动审计项目状态来执行经过验证且具备路径感知能力的命令，而结果智能体则评估工具来源，处理具备方法感知能力的自适应可视化，并将研究发现组织为受证据约束的生物学假设。总体而言，IOBRpy 提供了一个可复现、可扩展且经智能增强的 Python 入口，可将原始测序数据转化为适用于队列规模精准免疫治疗研究的多组学、可解释性发现（https://iobr.github.io/IOBRpy/）。
注意：请求您的电子邮箱地址仅用于将您识别为本文的发送者。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.17.739055v1?rss=1
🏷️ 免疫肿瘤学 多组学分析 肿瘤微环境 HLA分型 TCR/BCR受体库 智能体工作流