免疫治疗反应预测工具 | 多生物标志物整合AI模型，精准评估ICI疗效与耐药风险

tooluniverse-immunotherapy-response-prediction by mims-harvard/tooluniverse

137 周安装量

1,200 GitHub Stars

GitHub

安装命令

npx skills add https://github.com/mims-harvard/tooluniverse --skill tooluniverse-immunotherapy-response-prediction

AI/机器学习医疗科技生物信息学

🇨🇳中文介绍

免疫治疗反应预测

通过多生物标志物整合，预测患者对免疫检查点抑制剂（ICIs）的反应。将患者肿瘤特征（癌症类型 + 突变 + 生物标志物）转化为量化的 ICI 反应评分，并提供药物特异性建议、耐药风险评估和监测计划。

核心原则：

报告优先方法 - 首先创建报告文件，然后逐步填充内容
证据分级 - 每项发现都有证据等级（T1-T4）
量化输出 - 提供 ICI 反应评分（0-100）及透明的组成部分分解
癌症特异性 - 所有阈值和预测均根据癌症类型进行调整
多生物标志物 - 整合 TMB + MSI + PD-L1 + 新抗原 + 突变
耐药性识别 - 始终检查已知的耐药突变（STK11、PTEN、JAK1/2、B2M）
药物特异性 - 基于证据推荐特定的 ICI 药物
来源引用 - 每个陈述都引用工具/数据库来源
优先使用英文查询 - 在工具调用中始终使用英文术语

何时使用

当用户询问以下问题时应用：

"这位患者会对免疫治疗有反应吗？"
"我应该给这位黑色素瘤患者使用帕博利珠单抗吗？"
"患者患有 NSCLC，TMB 25，PD-L1 80% - 预测 ICI 反应"
"MSI-H 结直肠癌 - 使用哪种检查点抑制剂？"
"患者患有 BRAF V600E 黑色素瘤，TMB 15 - 使用免疫治疗还是靶向治疗？"
"根据此患者特征比较帕博利珠单抗与纳武利尤单抗"

输入解析

必需项：癌症类型 + 至少一项：突变列表或 TMB 值 可选项：PD-L1 表达、MSI 状态、免疫浸润数据、HLA 类型、既往治疗史、拟用 ICI

有关输入格式示例、癌症类型标准化和基因符号标准化表，请参阅 INPUT_REFERENCE.md。

广告位招租

在这里展示您的产品或服务

触达数万 AI 开发者，精准高效

联系我们

阶段 1：输入标准化与癌症背景

通过 OpenTargets_get_disease_id_description_by_name 解析癌症类型 为 EFO ID
解析突变 为结构化格式：{gene, variant, type}
通过 MyGene_query_genes 解析基因 ID
从癌症背景表中查找癌症特异性 ICI 基线 ORR（参见 SCORING_TABLES.md）

阶段 2：TMB 分析

对 TMB 进行分类：极低 (<5)、低 (5-9.9)、中 (10-19.9)、高 (>=20)
通过 fda_pharmacogenomic_biomarkers(drug_name='pembrolizumab') 检查 FDA TMB-H 生物标志物
应用癌症特异性 TMB 阈值（参见 SCORING_TABLES.md）
注意：RCC 即使 TMB 低也对 ICIs 有反应；TMB 在某些癌症中预测性较低

阶段 3：新抗原分析

估算新抗原负荷：错义突变计数 * 0.3 + 移码突变计数 * 1.5
通过 UniProt_get_function_by_accession 检查突变影响
通过 iedb_search_epitopes 查询已知表位
POLE/POLD1 突变提示超高新抗原负荷

阶段 4：MSI/MMR 状态评估

如果提供了 MSI 状态，则进行整合（MSI-H = 25 分，MSS = 5 分）
检查 MMR 基因中的突变：MLH1、MSH2、MSH6、PMS2、EPCAM
通过 fda_pharmacogenomic_biomarkers(biomarker='Microsatellite Instability') 检查 FDA MSI-H 批准情况

阶段 5：PD-L1 表达分析

对 PD-L1 进行分类：高 (>=50%)、阳性 (1-49%)、阴性 (<1%)
应用癌症特异性 PD-L1 阈值和评分方法（TPS 与 CPS）
通过 HPA_get_cancer_prognostics_by_gene(gene_name='CD274') 获取基线表达

阶段 6：免疫微环境分析

查询免疫检查点基因表达：CD274、PDCD1、CTLA4、LAG3、HAVCR2、TIGIT、CD8A、CD8B、GZMA、GZMB、PRF1、IFNG
对肿瘤进行分类：热（T 细胞炎症型）、冷（免疫沙漠型）、免疫排斥型、免疫抑制型
通过 enrichr_gene_enrichment_analysis 运行免疫通路富集分析

阶段 7：基于突变的预测因子

耐药突变（应用惩罚）：STK11 (-10)、PTEN (-5)、JAK1/2 (各 -10)、B2M (-15)、KEAP1 (-5)、MDM2/4 (-5)、EGFR (-5)
敏感突变（应用奖励）：POLE (+10)、POLD1 (+5)、BRCA1/2 (+3)、ARID1A (+3)、PBRM1 (+5，仅限 RCC）
通过 CIViC 和 OpenTargets 检查驱动突变的 ICI 背景
检查 DDR 通路基因：ATM、ATR、CHEK1/2、BRCA1/2、PALB2、RAD50、MRE11

阶段 8：临床证据与 ICI 选择

通过 FDA_get_indications_by_drug_name 查询 ICI 药物的 FDA 适应症
通过 clinical_trials_search 或 search_clinical_trials 搜索临床试验
在 PubMed 中搜索生物标志物特异性反应数据
通过 OpenTargets_get_drug_mechanisms_of_action_by_chemblId 获取药物作用机制

有关 ICI 药物概况和 ChEMBL ID，请参阅 SCORING_TABLES.md。

阶段 9：耐药风险评估

通过 civic_search_evidence_items 在 CIViC 中检查耐药证据
评估通路水平耐药：IFN-γ 信号、抗原呈递、WNT/β-catenin、MAPK、PI3K/AKT/mTOR
总结风险：低 / 中 / 高

阶段 10：多生物标志物评分整合

TOTAL SCORE = TMB_score + MSI_score + PDL1_score + Neoantigen_score + Mutation_bonus + Resistance_penalty

TMB_score:        5-30 points     MSI_score:        5-25 points
PDL1_score:       5-20 points     Neoantigen_score: 5-15 points
Mutation_bonus:   0-10 points     Resistance_penalty: -20 to 0 points

Floor: 0, Cap: 100

反应可能性等级：

70-100 高 (50-80% ORR)：强 ICI 候选者
40-69 中 (20-50% ORR)：考虑 ICI，优选联合方案
0-39 低 (<20% ORR)：ICI 单药可能无效

置信度：高（具备全部 4 种生物标志物）、中-高（具备 3/4）、中（具备 2/4）、低（具备 1 种）、极低（仅知癌症类型）

阶段 11：临床建议

使用癌症特异性算法进行 ICI 药物选择（参见 SCORING_TABLES.md）
监测计划：CT/MRI 每 8-12 周，ctDNA 在第 4-6 周，甲状腺/肝功能，免疫相关不良事件
如果反应为低时的替代策略：靶向治疗、化疗、ICI+化疗联合、ICI+抗血管生成联合、ICI+CTLA-4 联合、临床试验

保存为 immunotherapy_response_prediction_{cancer_type}.md。完整的报告结构请参阅 REPORT_TEMPLATE.md。

在调用任何工具之前，请验证参数。有关已验证的工具参数表，请参阅 TOOLS_REFERENCE.md。

MyGene_query_genes：使用 query（不是 q）
EnsemblVEP_annotate_rsid：使用 variant_id（不是 rsid）
drugbank_* 工具：所有 4 个参数都是必需的（query、case_sensitive、exact_match、limit）
cBioPortal_get_mutations：gene_list 是字符串，不是数组
ensembl_lookup_gene：需要 species='homo_sapiens'

等级	描述	来源示例
T1	FDA 批准的生物标志物/适应症	FDA 标签、NCCN 指南
T2	2-3 期临床试验证据	已发表的试验数据、PubMed
T3	临床前/计算证据	通路分析、体外数据
T4	专家意见/病例报告	病例系列、综述

🇺🇸English

Immunotherapy Response Prediction

Predict patient response to immune checkpoint inhibitors (ICIs) using multi-biomarker integration. Transforms a patient tumor profile (cancer type + mutations + biomarkers) into a quantitative ICI Response Score with drug-specific recommendations, resistance risk assessment, and monitoring plan.

KEY PRINCIPLES :

Report-first approach - Create report file FIRST, then populate progressively
Evidence-graded - Every finding has an evidence tier (T1-T4)
Quantitative output - ICI Response Score (0-100) with transparent component breakdown
Cancer-specific - All thresholds and predictions are cancer-type adjusted
Multi-biomarker - Integrate TMB + MSI + PD-L1 + neoantigen + mutations
Resistance-aware - Always check for known resistance mutations (STK11, PTEN, JAK1/2, B2M)
Drug-specific - Recommend specific ICI agents with evidence
Source-referenced - Every statement cites the tool/database source
English-first queries - Always use English terms in tool calls

When to Use

Apply when user asks:

"Will this patient respond to immunotherapy?"
"Should I give pembrolizumab to this melanoma patient?"
"Patient has NSCLC with TMB 25, PD-L1 80% - predict ICI response"
"MSI-high colorectal cancer - which checkpoint inhibitor?"
"Patient has BRAF V600E melanoma, TMB 15 - immunotherapy or targeted?"
"Compare pembrolizumab vs nivolumab for this patient profile"

Input Parsing

Required : Cancer type + at least one of: mutation list OR TMB value Optional : PD-L1 expression, MSI status, immune infiltration data, HLA type, prior treatments, intended ICI

See INPUT_REFERENCE.md for input format examples, cancer type normalization, and gene symbol normalization tables.

Workflow Overview

Input: Cancer type + Mutations/TMB + Optional biomarkers (PD-L1, MSI, etc.)

Phase 1: Input Standardization & Cancer Context
Phase 2: TMB Analysis
Phase 3: Neoantigen Analysis
Phase 4: MSI/MMR Status Assessment
Phase 5: PD-L1 Expression Analysis
Phase 6: Immune Microenvironment Profiling
Phase 7: Mutation-Based Predictors
Phase 8: Clinical Evidence & ICI Options
Phase 9: Resistance Risk Assessment
Phase 10: Multi-Biomarker Score Integration
Phase 11: Clinical Recommendations

Phase 1: Input Standardization & Cancer Context

Resolve cancer type to EFO ID via OpenTargets_get_disease_id_description_by_name
Parse mutations into structured format: {gene, variant, type}
Resolve gene IDs via MyGene_query_genes
Look up cancer-specific ICI baseline ORR from the cancer context table (see SCORING_TABLES.md)

Phase 2: TMB Analysis

Classify TMB: Very-Low (<5), Low (5-9.9), Intermediate (10-19.9), High (>=20)
Check FDA TMB-H biomarker via fda_pharmacogenomic_biomarkers(drug_name='pembrolizumab')
Apply cancer-specific TMB thresholds (see SCORING_TABLES.md)
Note: RCC responds to ICIs despite low TMB; TMB is less predictive in some cancers

Phase 3: Neoantigen Analysis

Estimate neoantigen burden: missense_count * 0.3 + frameshift_count * 1.5
Check mutation impact via UniProt_get_function_by_accession
Query known epitopes via iedb_search_epitopes
POLE/POLD1 mutations indicate ultra-high neoantigen load

Phase 4: MSI/MMR Status Assessment

Integrate MSI status if provided (MSI-H = 25 pts, MSS = 5 pts)
Check mutations in MMR genes: MLH1, MSH2, MSH6, PMS2, EPCAM
Check FDA MSI-H approvals via fda_pharmacogenomic_biomarkers(biomarker='Microsatellite Instability')

Phase 5: PD-L1 Expression Analysis

Classify PD-L1: High (>=50%), Positive (1-49%), Negative (<1%)
Apply cancer-specific PD-L1 thresholds and scoring methods (TPS vs CPS)
Get baseline expression via HPA_get_cancer_prognostics_by_gene(gene_name='CD274')

Phase 6: Immune Microenvironment Profiling

Query immune checkpoint gene expression for: CD274, PDCD1, CTLA4, LAG3, HAVCR2, TIGIT, CD8A, CD8B, GZMA, GZMB, PRF1, IFNG
Classify tumor: Hot (T cell inflamed), Cold (immune desert), Immune excluded, Immune suppressed
Run immune pathway enrichment via enrichr_gene_enrichment_analysis

Phase 7: Mutation-Based Predictors

Resistance mutations (apply PENALTIES): STK11 (-10), PTEN (-5), JAK1/2 (-10 each), B2M (-15), KEAP1 (-5), MDM2/4 (-5), EGFR (-5)
Sensitivity mutations (apply BONUSES): POLE (+10), POLD1 (+5), BRCA1/2 (+3), ARID1A (+3), PBRM1 (+5 RCC only)
Check CIViC and OpenTargets for driver mutation ICI context
Check DDR pathway genes: ATM, ATR, CHEK1/2, BRCA1/2, PALB2, RAD50, MRE11

Phase 8: Clinical Evidence & ICI Options

Query FDA indications for ICI drugs via FDA_get_indications_by_drug_name
Search clinical trials via clinical_trials_search or search_clinical_trials
Search PubMed for biomarker-specific response data
Get drug mechanisms via OpenTargets_get_drug_mechanisms_of_action_by_chemblId

See SCORING_TABLES.md for ICI drug profiles and ChEMBL IDs.

Phase 9: Resistance Risk Assessment

Check CIViC for resistance evidence via civic_search_evidence_items
Assess pathway-level resistance: IFN-g signaling, antigen presentation, WNT/b-catenin, MAPK, PI3K/AKT/mTOR
Summarize risk: Low / Moderate / High

Phase 10: Multi-Biomarker Score Integration

TOTAL SCORE = TMB_score + MSI_score + PDL1_score + Neoantigen_score + Mutation_bonus + Resistance_penalty

TMB_score:        5-30 points     MSI_score:        5-25 points
PDL1_score:       5-20 points     Neoantigen_score: 5-15 points
Mutation_bonus:   0-10 points     Resistance_penalty: -20 to 0 points

Floor: 0, Cap: 100

Response Likelihood Tiers :

70-100 HIGH (50-80% ORR): Strong ICI candidate
40-69 MODERATE (20-50% ORR): Consider ICI, combo preferred
0-39 LOW (<20% ORR): ICI alone unlikely effective

Confidence : HIGH (all 4 biomarkers), MODERATE-HIGH (3/4), MODERATE (2/4), LOW (1), VERY LOW (cancer only)

Phase 11: Clinical Recommendations

ICI drug selection using cancer-specific algorithm (see SCORING_TABLES.md)
Monitoring plan : CT/MRI q8-12wk, ctDNA at 4-6wk, thyroid/liver function, irAEs
Alternative strategies if LOW response: targeted therapy, chemotherapy, ICI+chemo combo, ICI+anti-angiogenic, ICI+CTLA-4 combo, clinical trials

Output Report

Save as immunotherapy_response_prediction_{cancer_type}.md. See REPORT_TEMPLATE.md for the full report structure.

Tool Parameter Reference

BEFORE calling ANY tool , verify parameters. See TOOLS_REFERENCE.md for verified tool parameters table.

Key reminders:

MyGene_query_genes: use query (NOT q)
EnsemblVEP_annotate_rsid: use variant_id (NOT rsid)
drugbank_* tools: ALL 4 params required (query, case_sensitive, exact_match, limit)

Evidence Tiers

Tier	Description	Source Examples
T1	FDA-approved biomarker/indication	FDA labels, NCCN guidelines
T2	Phase 2-3 clinical trial evidence	Published trial data, PubMed
T3	Preclinical/computational evidence	Pathway analysis, in vitro data
T4	Expert opinion/case reports	Case series, reviews

References

OpenTargets: https://platform.opentargets.org
CIViC: https://civicdb.org
FDA Drug Labels: https://dailymed.nlm.nih.gov
DrugBank: https://go.drugbank.com
PubMed: https://pubmed.ncbi.nlm.nih.gov
IEDB: https://www.iedb.org
HPA: https://www.proteinatlas.org
cBioPortal: https://www.cbioportal.org

Weekly Installs

123

Repository

mims-harvard/to…universe

GitHub Stars

1.2K

First Seen

Feb 19, 2026

Security Audits

Gen Agent Trust HubPass SocketPass SnykWarn

Installed on

codex120

gemini-cli119

opencode119

github-copilot118

cursor116

amp115

AI 代码实施计划编写技能 | 自动化开发任务分解与 TDD 流程规划工具

49,000 周安装

cBioPortal_get_mutations: gene_list is a STRING not array

ensembl_lookup_gene: REQUIRES species='homo_sapiens'