1.一种用于鉴别来自受试者的肿瘤细胞中可能呈递于所述肿瘤细胞表面上的一种或多种新抗原的方法，包括以下步骤：
从所述受试者的肿瘤细胞获得外显子组、转录组或全基因组肿瘤核苷酸测序数据中的至少一种，其中所述肿瘤核苷酸测序数据被用于获得代表新抗原集合中每一种新抗原的肽序列的数据，并且其中每一种新抗原的肽序列包含至少一个使其不同于相应野生型亲本肽序列的变化；
将每一种新抗原的肽序列输入一个或多个呈递模型中以产生所述新抗原各自被一个或多个MHC等位基因呈递于所述受试者的所述肿瘤细胞的所述肿瘤细胞表面上的数字可能性集合，所述数字可能性集合已被至少基于接收到的质谱数据进行鉴别；及
基于所述数字可能性集合，选择所述新抗原集合的子集，以产生选定的新抗原的集合。
2.根据权利要求1所述的方法，其中所述集合的选定的新抗原的数量是20个。
3.根据权利要求1至2中任一项所述的方法，其中所述呈递模型表示以下各项之间的依赖性：
所述MHC等位基因中一对特定等位基因和肽序列特定位置处特定氨基酸的存在；与在所述肿瘤细胞表面上由所述对MHC等位基因中的特定等位基因呈递在所述位置处包含所述特定氨基酸的此类肽序列的可能性。
4.根据权利要求1至3中任一项所述的方法，其中输入所述肽序列包括：
将所述一个或多个呈递模型应用于相应新抗原的肽序列，以至少基于所述相应新抗原的肽序列的氨基酸位置生成所述一个或多个MHC等位基因各自的依赖性分数，所述依赖性分数指示所述MHC等位基因是否会呈递所述相应新抗原。
5.根据权利要求4所述的方法，其另外包括：
变换所述依赖性分数以得到每一MHC等位基因的相应独立等位基因可能性，由此指示相应MHC等位基因会呈递所述相应新抗原的可能性；及
将所述独立等位基因可能性组合以产生所述数字可能性。
6.根据权利要求5所述的方法，其中所述变换所述依赖性分数将所述相应新抗原的肽序列的呈递建模为相互排斥的。
7.根据权利要求4至6中任一项所述的方法，其另外包括：
变换所述依赖性分数的组合以产生所述数字可能性。
8.根据权利要求7所述的方法，其中所述变换所述依赖性分数的组合将所述相应新抗原的肽序列的呈递建模为在MHC等位基因之间存在干扰。
9.根据权利要求4至8中任一项所述的方法，其中数字可能性集合通过至少一个等位基因非相互作用特征进一步鉴别，并且另外包括：
将不与所述一个或多个呈递模型中的一个相互作用的等位基因应用于所述等位基因非相互作用特征，以产生所述等位基因非相互作用特征的依赖性分数，所述依赖性分数指示所述相应新抗原的肽序列是否将基于所述等位基因非相互作用特征而被呈递。
10.根据权利要求9所述的方法，其另外包括：
将所述一个或多个MHC等位基因中每个MHC等位基因的依赖性分数与所述等位基因非相互作用特征的依赖性分数组合；
变换每个MHC等位基因的所述组合的依赖性分数以产生所述MHC等位基因的相应独立等位基因可能性，由此指示所述相应MHC等位基因将呈递所述相应新抗原的可能性；及将组合所述独立等位基因可能性以产生所述数字可能性。
11.根据权利要求9至10中任一项所述的方法，其另外包括：
变换所述MHC等位基因中每一个的所述依赖性分数与所述等位基因非相互作用特征的所述依赖性分数的组合以产生所述数字可能性。
12.根据权利要求1至11中任一项所述的方法，其中所述呈递模型的数字参数集合是基于训练数据集进行训练，所述训练数据集包括被鉴别为存在于多个样品中的至少一个训练肽序列集合以及与每一训练肽序列相关的一个或多个MHC等位基因，其中所述训练肽序列是通过对从来源于所述多个样品的MHC等位基因洗脱的分离的肽进行质谱法来鉴别。
13.根据权利要求12所述的方法，其中所述训练数据集还包括有关所述肿瘤细胞的mRNA表达水平的数据。
14.根据权利要求12至13中任一项所述的方法，其中所述样品包括被工程改造成表达单个I类或II类MHC等位基因的细胞系。
15.根据权利要求12至14中任一项所述的方法，其中所述样品包括被工程改造成表达多个I类或II类MHC等位基因的细胞系。
16.根据权利要求12至15中任一项所述的方法，其中所述样品包括从多个患者获得或得到的人细胞系。
17.根据权利要求12至16中任一项所述的方法，其中所述样品包括从多个患者获得的新鲜或冷冻的肿瘤样品。
18.根据权利要求12至17中任一项所述的方法，其中所述样品包括从多个患者获得的新鲜或冷冻的组织样品。
19.根据权利要求12至18中任一项所述的方法，其中所述样品包括使用T细胞测定鉴别的肽。
20.根据权利要求12至19中任一项所述的方法，其中所述训练数据集还包含与以下相关的数据：
所述样品中存在的训练肽集合的肽丰度；
所述样品中存在的训练肽集合的肽长度。
21.根据权利要求12至20中任一项所述的方法，其中所述训练数据集是通过经由比对，将训练肽序列的集合与包含已知蛋白质序列的集合的数据库相比较而产生，其中所述训练蛋白质序列的集合比所述训练肽序列长并且包括所述训练肽序列。
22.根据权利要求12至21中任一项所述的方法，其中所述训练数据集是基于对细胞系进行或已进行质谱法以获得来自所述细胞系的外显子组、转录组或全基因组测序数据中的至少一种而产生，所述肽测序数据包括至少一个含变化的蛋白质序列。
23.根据权利要求12至22中任一项所述的方法，其中所述训练数据集是基于获得来自正常组织样品的外显子组、转录组或全基因组正常核苷酸测序数据中的至少一种而产生。
24.根据权利要求12至23中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的蛋白质组序列相关的数据。
25.根据权利要求12至24中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的MHC肽组序列相关的数据。
26.根据权利要求12至25中任一项所述的方法，其中所述训练数据集还包含与所述分离的肽中的至少一个的肽-MHC结合亲和力测量值相关的数据。
27.根据权利要求12至26中任一项所述的方法，其中所述训练数据集还包含与所述分离的肽中的至少一个的肽-MHC结合稳定性测量值相关的数据。
28.根据权利要求12至27中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的转录组相关的数据。
29.根据权利要求12至28中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的基因组相关的数据。
30.根据权利要求12至29中任一项所述的方法，其中所述训练肽序列的长度在k-mer范围内，其中k在8-15之间(包括端点在内)。
31.根据权利要求12至30中任一项所述的方法，其另外包括使用独热编码方案编码所述肽序列。
32.根据权利要求31所述的方法，其还包括使用左填充独热编码方案编码所述训练肽序列。
33.一种治疗患有肿瘤的受试者的方法，其包括进行权利要求1至32所述的步骤中的任一个，并且还包括获得包含选定的新抗原的集合的肿瘤疫苗，及将所述肿瘤疫苗施用给所述受试者。
34.一种制造肿瘤疫苗的方法，其包括进行权利要求1至33所述的步骤中的任一个，并且还包括产生或已产生包含所述选定的新抗原的集合的肿瘤疫苗。
35.一种肿瘤疫苗，包含根据权利要求1至32中任一项所述的选定的新抗原的集合，所述新抗原的集合是通过进行根据权利要求1至32中任一项所述的方法进行选择。
36.根据权利要求35所述的疫苗，其中所述肿瘤疫苗包含核苷酸序列、多肽序列、RNA、DNA、细胞、质粒或载体中的一种或多种。
37.根据权利要求35至36中任一项所述的疫苗，其中所述肿瘤疫苗包含呈递于肿瘤细胞表面上的一种或多种新抗原。
38.根据权利要求35至37中任一项所述的疫苗，其中所述肿瘤疫苗包含在受试者体内具有免疫原性的一种或多种新抗原。
39.根据权利要求35至38中任一项所述的疫苗，其中所述肿瘤疫苗不包含诱导针对所述受试者体内正常组织的自体免疫反应的一种或多种新抗原。
40.根据权利要求35至39中任一项所述的疫苗，其中所述肿瘤疫苗还包含佐剂。
41.根据权利要求35至40中任一项所述的疫苗，其中所述肿瘤疫苗还包含赋形剂。
42.根据权利要求1至41中任一项所述的方法，其中选择所述选定的新抗原的集合包括基于所述呈递模型，选择在所述肿瘤细胞表面上呈递的可能性相对于未选择的新抗原有所增加的新抗原。
43.根据权利要求1至42中任一项所述的方法，其中选择所述选定的新抗原的集合包括基于所述呈递模型，选择能够在所述受试者体内诱导肿瘤特异性免疫反应的可能性相对于未选择的新抗原有所增加的新抗原。
44.根据权利要求1至43中任一项所述的方法，其中选择所述选定的新抗原的集合包括基于所述呈递模型，选择能够被专职抗原呈递细胞(APC)呈递至天然T细胞的可能性相对于未选择的新抗原有所增加的新抗原，任选地其中所述APC是树突状细胞(DC)。
45.根据权利要求1至44中任一项所述的方法，其中选择所述选定的新抗原的集合包括基于所述呈递模型，选择经历中枢或外周耐受性抑制的可能性相对于未选择的新抗原有所降低的新抗原。
46.根据权利要求1至45中任一项所述的方法，其中选择所述选定的新抗原的集合包括基于所述呈递模型，选择能够在所述受试者体内诱导针对正常组织的自体免疫反应的可能性相对于未选择的新抗原有所降低的新抗原。
47.根据权利要求1至46中任一项所述的方法，其中外显子组或转录组核苷酸测序数据是通过对所述肿瘤组织进行测序来获得。
48.根据权利要求1至47中任一项所述的方法，其中所述测序是下一代测序(NGS)或任何大规模平行测序方法。
49.根据权利要求1至48中任一项所述的方法，其中所述数字可能性集合通过至少MHC等位基因相互作用特征进一步鉴别，所述特征包括以下中的至少一种：
a.预测的所述MHC等位基因与所述新抗原编码肽结合的亲和力；
b.预测的所述新抗原编码肽-MHC复合物的稳定性；
c.所述新抗原编码肽的序列和长度；
d.如通过质谱蛋白质组学或其它手段所评估的在来自表达特定MHC等位基因的其他个体的细胞中呈递具有类似序列的新抗原编码肽的机率；
e.在相关受试者中所述特定MHC等位基因的表达水平(例如，如通过RNA-seq或质谱法测量)；
f.在表达所述特定MHC等位基因的其他不同受试者中不依赖于总体新抗原编码肽序列而由所述特定MHC等位基因呈递的机率；
g.在其他不同受试者中不依赖于总体新抗原编码肽序列而由同一家族分子(例如HLA-A、HLA-B、HLA-C、HLA-DQ、HLA-DR、HLA-DP)中的MHC等位基因呈递的机率。
50.根据权利要求1至49中任一项所述的方法，其中所述数字可能性集合通过至少MHC等位基因非相互作用特征进一步鉴别，所述特征包括以下中的至少一种：
a.在其源蛋白质序列内侧接所述新抗原编码肽的C末端和N末端序列；
b.所述新抗原编码肽中蛋白酶裂解基元的存在，任选地根据所述肿瘤细胞中相应蛋白酶的表达(如通过RNA-seq或质谱法测量)进行加权；
c.如在适当细胞类型中测量的所述源蛋白的转换率；
d.如通过RNA-seq或蛋白质组质谱法所测量，或如根据在DNA或RNA序列数据中检测到的生殖系或体细胞剪接突变的注释所预测的所述源蛋白的长度，任选地考虑在所述肿瘤细胞中表达水平最高的特定剪接变体(“同功型”)；
e.所述肿瘤细胞中蛋白酶体、免疫蛋白酶体、胸腺蛋白酶体或其它蛋白酶的表达水平(可以通过RNA-seq、蛋白质组质谱法或免疫组织化学法测量)；
f.所述新抗原编码肽的源基因的表达(例如通过RNA-seq或质谱法测量)；
g.在细胞周期的各种阶段期间所述新抗原编码肽的源基因的典型组织特异性表达；
h.所述源蛋白和/或其结构域的综合特征目录，如例如可见于uniProt或PDB http://www.rcsb.org/pdb/home/home.do；
i.描述含有所述肽的源蛋白的结构域的特性的特征，例如：二级或三级结构(例如α螺旋对比β折叠)；选择性剪接；
j.在其他不同受试者中来自相关新抗原编码肽的源蛋白的肽的呈递机率；
k.由于技术偏差而无法通过质谱法检测到或过量表示所述肽的机率；
l.通过RNASeq测量(无需含有所述肽的源蛋白)的提供有关所述肿瘤细胞、基质或肿瘤浸润淋巴细胞(TIL)状态的信息的各种基因模块/路径的表达；
m.所述肿瘤细胞中所述新抗原编码肽的源基因的拷贝数；
n.所述肽结合至所述TAP的机率或所述肽与所述TAP的结合亲和力的测量值或预测值；
o.所述肿瘤细胞中TAP的表达水平(可以通过RNA-seq、蛋白质组质谱法、免疫组织化学法测量)；
p.肿瘤突变的存在或不存在，所述肿瘤突变包括但不限于：
i.已知癌症驱动基因，如EGFR、KRAS、ALK、RET、ROS1、TP53、CDKN2A、CDKN2B、NTRK1、NTRK2、NTRK3中的驱动突变
ii.编码抗原呈递机器中所涉及的蛋白质的基因(例如B2M、HLA-A、HLA-B、HLA-C、TAP-
1、TAP-2、TAPBP、CALR、CNX、ERP57、HLA-DM、HLA-DMA、HLA-DMB、HLA-DO、HLA-DOA、HLA-DOBHLA-DP、HLA-DPA1、HLA-DPB1、HLA-DQ、HLA-DQA1、HLA-DQA2、HLA-DQB1、HLA-DQB2、HLA-DR、HLA-DRA、HLA-DRB1、HLA-DRB3、HLA-DRB4、HLA-DRB5或编码蛋白酶体或免疫蛋白酶体的组分的任何基因)中的突变；呈递依赖于肿瘤中经历功能丧失性突变的抗原呈递机器组分的肽具有降低的呈递机率；
q.功能性生殖系多态性的存在或不存在，包括但不限于：
i.编码抗原呈递机器中所涉及的蛋白质的基因(例如B2M、HLA-A、HLA-B、HLA-C、TAP-1、TAP-2、TAPBP、CALR、CNX、ERP57、HLA-DM、HLA-DMA、HLA-DMB、HLA-DO、HLA-DOA、HLA-DOBHLA-DP、HLA-DPA1、HLA-DPB1、HLA-DQ、HLA-DQA1、HLA-DQA2、HLA-DQB1、HLA-DQB2、HLA-DR、HLA-DRA、HLA-DRB1、HLA-DRB3、HLA-DRB4、HLA-DRB5或编码蛋白酶体或免疫蛋白酶体的组分的任何基因)中功能性生殖系多态性
r.肿瘤类型(例如NSCLC、黑素瘤)；
s.临床肿瘤亚型(例如鳞状肺癌对比非鳞状肺癌)；
t.吸烟史；
u.在相关肿瘤类型或临床亚型中所述肽的源基因的典型表达，任选地通过驱动基因突变进行分层。
51.根据权利要求1至50中任一项所述的方法，其中所述至少一个突变是移码或非移码插入缺失、错义或无义取代、剪接位点变化、基因组重排或基因融合，或产生neoORF的任何基因组或表达变化。
52.根据权利要求1至51中任一项所述的方法，其中所述肿瘤细胞选自由以下组成的组：肺癌、黑素瘤、乳癌、卵巢癌、前列腺癌、肾癌、胃癌、结肠癌、睾丸癌、头颈癌、胰腺癌、脑癌、B细胞淋巴瘤、急性骨髓性白血病、慢性骨髓性白血病、慢性淋巴细胞性白血病和T细胞淋巴细胞性白血病、非小细胞肺癌和小细胞肺癌。
53.根据权利要求1至52中任一项所述的方法，其另外包括获得包含所述选定的新抗原的集合或其子集的肿瘤疫苗，任选地还包括将所述肿瘤疫苗施用给所述受试者。
54.根据权利要求1至53中任一项所述的方法，其中当呈多肽形式时，所述选定的新抗原的集合中的至少一种新抗原包含以下至少一项：以低于1000nM的IC50值的与MHC的结合亲和力；对于1类MHC多肽，长度是8-15个，即8、9、10、11、12、13、14或15个氨基酸；在亲本蛋白质序列中所述多肽内或附近促进蛋白酶体裂解的序列基元的存在；及促进TAP转运的序列基元的存在。
55.一种产生用于鉴别可能在肿瘤细胞的肿瘤细胞表面上呈递的一种或多种新抗原的模型的方法，包括执行以下步骤：
接收质谱数据，所述质谱数据包括与从来源于多个样品的主要组织相容性复合物(MHC)洗脱的多个分离的肽相关的数据；
通过至少鉴别所述样品中存在的训练肽序列的集合和与各训练肽序列相关的一个或多个MHC来获得训练数据集；
使用包含所述训练肽序列的所述训练数据集来训练呈递模型的数字参数集合，所述呈递模型提供来自所述肿瘤细胞的肽序列被一个或多个MHC等位基因呈递于所述肿瘤细胞表面上的多个数字可能性。
56.根据权利要求55所述的方法，其中所述呈递模型表示以下两者之间的依赖性：
在肽序列的特定位置处特定氨基酸的存在；与
在所述肿瘤细胞上由所述MHC等位基因中的一个呈递在所述特定位置处含有所述特定氨基酸的肽序列的可能性。
57.根据权利要求55至56中任一项所述的方法，其中所述样品包括被工程改造成表达单个I类或II类MHC等位基因的细胞系。
58.根据权利要求55至57中任一项所述的方法，其中所述样品包括被工程改造成表达多个I类或II类MHC等位基因的细胞系。
59.根据权利要求55至58中任一项所述的方法，其中所述样品包括从多个患者获得或得到的人细胞系。
60.根据权利要求55至59中任一项所述的方法，其中所述样品包括从多个患者获得的新鲜或冷冻的肿瘤样品。
61.根据权利要求55至60中任一项所述的方法，其中所述样品包括使用T细胞测定鉴别的肽。
62.根据权利要求55至61中任一项所述的方法，其中所述训练数据集还包括与以下相关的数据：
所述样品中存在的训练肽集合的肽丰度；
所述样品中存在的训练肽集合的肽长度。
63.根据权利要求55至62中任一项所述的方法，其中获得所述训练数据集包括：
基于所述训练肽序列，通过经由比对将所述训练肽序列集合与包含已知蛋白质序列的集合的数据库相比较来获得训练蛋白质序列的集合，其中所述训练蛋白质序列的集合比所述训练肽序列长并且包括所述训练肽序列。
64.根据权利要求55至63中任一项所述的方法，其中获得所述训练数据集包括：
对细胞系进行或已进行质谱法以从所述细胞系获得外显子组、转录组或全基因组核苷酸测序数据中的至少一种，所述核苷酸测序数据包括至少一个含突变的蛋白质序列。
65.根据权利要求55至64中任一项所述的方法，其中训练所述呈递模型的参数集合包括：
使用独热编码方案编码所述训练肽序列。
66.根据权利要求55至65中任一项所述的方法，其另外包括：
由正常组织样品获得外显子组、转录组及全基因组正常核苷酸测序数据中的至少一种；及
使用所述正常核苷酸测序数据训练所述呈递模型的参数集合。
67.根据权利要求55至66中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的蛋白质组序列相关的数据。
68.根据权利要求55至67中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的MHC肽组序列相关的数据。
69.根据权利要求55至68中任一项所述的方法，其中所述训练数据集还包含与所述分离的肽中的至少一个的肽-MHC结合亲和力测量值相关的数据。
70.根据权利要求55至69中任一项所述的方法，其中所述训练数据集还包含与所述分离的肽中的至少一个的肽-MHC结合稳定性测量值相关的数据。
71.根据权利要求55至70中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的转录组相关的数据。
72.根据权利要求55至71中任一项所述的方法，其中所述训练数据集还包含与所述样品相关的基因组相关的数据。
73.根据权利要求55至72中任一项所述的方法，其中训练所述数字参数集合还包括：
对所述参数集合进行逻辑回归。
74.根据权利要求55至73中任一项所述的方法，其中所述训练肽序列的长度在k-mer范围内，其中k在8-15之间(包括端点在内)。
75.根据权利要求55至74中任一项所述的方法，其中训练所述呈递模型的数字参数集合包括：
使用左填充独热编码方案编码所述训练肽序列。
76.根据权利要求55至75中任一项所述的方法，其中训练所述数字参数集合还包括：
使用深度学习算法确定所述参数集合的值。
77.一种产生用于鉴别可能在肿瘤细胞的肿瘤细胞表面上呈递的一种或多种新抗原的模型的方法，其包括执行以下步骤：
接收质谱数据，所述质谱数据包括与从来源于多个新鲜或冷冻肿瘤样品的主要组织相容性复合物(MHC)洗脱的多个分离的肽相关的数据；
通过至少鉴别存在于所述样品中且被呈递于一个或多个与各训练肽序列相关的MHC等位基因上训练肽序列集合来获得训练数据集；
基于所述训练肽序列，获得训练蛋白质序列集合；及
使用所述训练蛋白质序列和所述训练肽序列来训练呈递模型的数字参数集合，所述呈递模型提供来自所述肿瘤细胞的肽序列被一个或多个MHC等位基因呈递于所述肿瘤细胞表面上的多个数字可能性。
78.根据权利要求77所述的方法，其中所述呈递模型表示以下两者之间的依赖性：
所述MHC等位基因中一对特定等位基因和肽序列特定位置处特定氨基酸的存在；与在所述肿瘤细胞表面上由所述对MHC等位基因中的特定等位基因呈递在所述位置处包含所述特定氨基酸的此类肽序列的可能性。