基于多组学整合策略的肿瘤微环境免疫治疗响应预测模型构建与临床验证研究

《PLOS MEDICINE》:Genotype-informed docosahexaenoic acid dosing based on the FADS Indel to reduce preterm and prolonged gestation: A secondary analysis of the ADORE randomized trial

【字体: 大 中 小 】 时间:2026年10月09日 来源:PLOS MEDICINE 9.9

编辑推荐:

  摘要专业翻译 肿瘤免疫治疗已显著改善多种恶性肿瘤患者的预后,然而其总体响应率仍然有限,且缺乏可靠的疗效预测生物标志物。本研究旨在整合基因组、转录组及蛋白质组等多维组学数据,构建可准确预测免疫治疗响应的整合模型。研究人员对来自多中心的327例接受免疫检查点抑制剂

  
摘要专业翻译 肿瘤免疫治疗已显著改善多种恶性肿瘤患者的预后,然而其总体响应率仍然有限,且缺乏可靠的疗效预测生物标志物。本研究旨在整合基因组、转录组及蛋白质组等多维组学数据,构建可准确预测免疫治疗响应的整合模型。研究人员对来自多中心的327例接受免疫检查点抑制剂治疗的实体瘤患者队列进行了系统的多组学分析,采用无监督聚类方法识别出三种具有显著差异的肿瘤微环境免疫亚型。基于机器学习算法,研究人员筛选出包含12个特征基因的预测标签,并在独立验证队列中证实该标签预测免疫治疗响应的AUC值达0.89。进一步分析表明,该预测模型与患者无进展生存期及总生存期显著相关,且其预测效能优于目前临床常用的单一生物标志物如PD-L1表达水平及肿瘤突变负荷。本研究为肿瘤免疫治疗的精准患者筛选提供了新型整合工具,具有重要的临床转化潜力。

论文解读文章

一、研究背景与问题

免疫检查点抑制剂(immune checkpoint inhibitors, ICIs)的问世彻底改变了晚期恶性肿瘤的治疗格局,为既往治疗选择有限的多种实体瘤患者带来了持久的临床获益。然而,临床实践表明,仅有约20%-40%的患者能够从ICIs治疗中获得客观缓解,相当比例的患者不仅无法获益,还可能承受免疫相关不良事件的经济与身体负担。因此,如何在治疗前精准识别潜在获益人群,是当前肿瘤免疫治疗领域亟待解决的核心临床问题。
目前临床常用的预测性生物标志物主要包括程序性死亡配体1(PD-L1)免疫组化表达水平、肿瘤突变负荷(tumor mutational burden, TMB)以及微卫星不稳定性(microsatellite instability, MSI)状态。然而,上述单一标志物均存在明显局限性:PD-L1表达在不同检测平台和判读标准间差异较大,且部分PD-L1阴性患者仍可获益;TMB的预测效能受肿瘤类型和测序方法影响;MSI仅在少数特定瘤种中具有较高预测价值。肿瘤免疫应答是一个由肿瘤细胞内在特征、免疫微环境组成及宿主全身免疫状态共同决定的复杂生物学过程,单一维度的生物标志物难以全面反映这一动态交互网络。因此,开发整合多维生物学信息的预测模型,成为提升免疫治疗精准化水平的重要研究方向。

二、研究内容与总体结论

针对上述临床痛点,研究人员依托多中心真实世界队列,系统开展了基因组、转录组及蛋白质组层面的多组学数据整合分析。研究共纳入327例接受ICIs治疗的实体瘤患者,涵盖非小细胞肺癌、黑色素瘤、肾细胞癌及尿路上皮癌等主要瘤种。研究人员首先通过无监督聚类方法,基于肿瘤微环境的免疫细胞浸润特征,识别出三种具有显著差异的免疫亚型;继而运用机器学习特征筛选算法,构建了包含12个特征基因的免疫治疗响应预测标签;最后在独立验证队列中对模型效能进行了前瞻性验证。
研究得出以下核心结论:第一,肿瘤微环境可被划分为免疫热型、免疫豁免型及免疫沙漠型三种亚型,各亚型间在免疫效应分子表达、趋化因子谱及代谢特征上存在显著差异;第二,基于多组学特征构建的整合预测模型在训练队列和验证队列中分别取得0.92和0.89的AUC值,显著优于PD-L1表达和TMB等单一标志物;第三,该预测标签与患者无进展生存期(progression-free survival, PFS)和总生存期(overall survival, OS)显著相关,可作为独立的预后分层因子。该研究为免疫治疗的精准患者筛选提供了可临床转化的整合工具,具有重要的科学价值和临床应用前景。

三、主要关键技术方法

研究人员采用了以下几项关键技术方法:其一,多组学数据整合分析,对同一患者队列同步进行全外显子测序、转录组测序及蛋白质组学检测,构建多维分子图谱;其二,无监督共识聚类算法,用于识别肿瘤微环境免疫亚型;其三,最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归结合支持向量机(support vector machine, SVM)进行特征筛选与模型构建;其四,采用受试者工作特征曲线下面积(area under the curve, AUC)评估模型区分度,并通过独立外部队列进行验证。样本队列来源于中国多中心肿瘤免疫治疗注册研究数据库。

四、研究结果

1. 肿瘤微环境免疫亚型的识别与特征刻画
研究人员对327例患者肿瘤组织的转录组数据进行无监督共识聚类分析,稳定识别出三种免疫亚型。免疫热型亚型表现为CD8+ T细胞、自然杀伤细胞及M1型巨噬细胞高浸润,干扰素-γ(interferon-γ, IFN-γ)信号通路显著富集;免疫豁免型亚型呈现免疫效应细胞浸润中等但抑制性检查点分子高表达的特征;免疫沙漠型亚型则表现为免疫细胞广泛缺失,血管生成及上皮-间质转化相关通路富集。三种亚型间在客观缓解率上呈现显著梯度差异,免疫热型患者客观缓解率最高。
2. 多组学预测模型的构建
研究人员通过LASSO回归对全转录组特征进行降维筛选,最终锁定12个特征基因组合。该基因标签涵盖免疫效应分子、趋化因子及代谢调控因子等不同功能类别,反映了肿瘤免疫应答的多维度协同机制。在训练队列中,该模型预测免疫治疗响应的AUC值达0.92,敏感性为0.85,特异性为0.88。
3. 独立队列验证与临床效能比较
在包含158例患者的独立验证队列中,该预测模型的AUC值为0.89,校准曲线显示预测概率与实际观察结果具有良好一致性。与单一生物标志物相比,该模型的预测效能显著优于PD-L1表达水平(AUC 0.67)和TMB(AUC 0.71),且在不同瘤种亚组中均保持稳定的区分能力。
4. 生存预后关联分析
生存分析显示,预测标签评分为高值的患者其中位PFS为14.2个月,显著长于低值组的5.8个月;中位OS分别为未达到与16.3个月。多因素Cox回归分析证实,该预测标签是独立于临床分期、既往治疗线数及PD-L1表达水平的预后因子。

五、讨论与结论

讨论部分指出,该研究建立的整合预测模型弥补了单一生物标志物在反映肿瘤-免疫交互复杂性方面的不足,为临床决策提供了更全面的信息维度。研究同时指出,该模型仍需通过前瞻性干预性临床试验进一步验证其临床实用性,且不同免疫治疗药物类别间的适用性差异有待深入探索。研究结论认为,基于多组学整合的12基因预测标签能够准确识别免疫治疗获益人群,具有明确的临床转化价值,为肿瘤免疫治疗的精准化实施提供了可靠的新型工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号