《Frontiers in Pharmacology》:Exploratory machine-learning analysis of bevacizumab exposure and circulating VEGF dynamics in patients with cancer
编辑推荐:
摘要
引言: 本研究探索了贝伐珠单抗治疗期间与循环血管内皮生长因子(VEGF)动态变化相关的药代动力学和药效动力学因素。
方法: 本研究利用来自74例乳腺癌、卵巢癌、宫颈癌、非小细胞肺癌或结直肠癌患者的数据进行二次分析。通过ELISA法测定配对的患者输注前和输
摘要
引言: 本研究探索了贝伐珠单抗治疗期间与循环血管内皮生长因子(VEGF)动态变化相关的药代动力学和药效动力学因素。
方法: 本研究利用来自74例乳腺癌、卵巢癌、宫颈癌、非小细胞肺癌或结直肠癌患者的数据进行二次分析。通过ELISA法测定配对的患者输注前和输注后血清中的贝伐珠单抗和VEGF浓度。研究应用了探索性降维方法和监督式基于树模型。人工神经网络(ANN)仅作为对同一数据集的补充探索性分析。
结果: 分析的主要结局是VEGF_D,即配对VEGF浓度之间的绝对差值。监督式模型的性能未超过朴素三类基准;因此,其变量重要性输出被视为次要的、模型特异性的、且用于产生假设的观察结果。结果显示贝伐珠单抗暴露与循环VEGF动态变化的探索性模型模式。本研究未评估临床疗效、安全性结果及其他给药策略。
讨论: 研究结果不支持临床实施、个体化给药或治疗优化,需在大型独立队列中加以证实。
论文解读:贝伐珠单抗暴露与循环VEGF动态的探索性机器学习分析
一、研究背景与目的
肿瘤生物学研究已确立持续增殖信号、细胞死亡抵抗和血管生成是癌症进展的关键组成部分。肿瘤通过新生血管获取氧气和营养物质,并为转移播散开辟通路,因此靶向血管内皮生长因子(VEGF)通路的治疗策略,包括酪氨酸激酶抑制剂和单克隆抗体,成为多种实体瘤的重要治疗选择。贝伐珠单抗是一种重组人源化单克隆抗体,是首个获批用于癌症治疗的抗血管生成药物,通过结合VEGF-A并抑制其与VEGFR-1和VEGFR-2的相互作用发挥作用。然而,肿瘤血管表型和血管生成程序在不同癌种内部及之间差异显著,循环VEGF的动态变化与药物暴露之间的关系尚不完全清楚。在此背景下,研究人员开展了一项探索性研究,旨在利用机器学习方法分析贝伐珠单抗暴露变量与循环VEGF动态之间的潜在模式,为后续药代动力学/药效动力学(PK/PD)研究提供假设。该研究并非旨在预测临床结局、优化给药方案或支持个体化治疗。
二、研究设计与主要结论
本研究是对希腊帕特雷大学综合医院肿瘤科一项前瞻性观察性临床研究的二次分析,共纳入74例不同类型癌症患者,包括乳腺癌23例、卵巢癌27例、宫颈癌7例、非小细胞肺癌7例和结直肠癌10例。患者年龄33至78岁,中位年龄60岁,其中男性8例(10.8%),女性66例(89.2%)。所有患者均按标准临床实践接受贝伐珠单抗治疗,23例接受单药治疗,51例接受联合化疗。每个评估治疗周期采集两份血清样本:输注前1小时样本定义为贝伐珠单抗谷浓度(AV_T)和输注前VEGF测量值(VEGF_P);输注结束后立即采集的样本定义为贝伐珠单抗峰浓度(AV_P)和输注后VEGF测量值(VEGF_T)。主要分析结局为VEGF_D,即配对VEGF浓度之间的绝对差值。研究使用Spearman秩相关、多变量普通最小二乘回归等正式统计方法,并结合探索性降维方法和监督式树模型进行分析。
研究结果显示,在正式统计分析中,AV_D与VEGF_D之间的Spearman相关系数为ρ = ?0.017(95% CI ?0.257至0.229;P = 0.886),Pearson敏感性分析结果一致(r = ?0.017,95% CI ?0.245至0.212;P = 0.885)。在多变量模型中调整体重、治疗持续时间、年龄、性别、癌症类型和治疗方案后,AV_D系数为每100 μg/mL增加对应VEGF_D变化?4.93 pg/mL(95% CI ?30.05至20.18;P = 0.696),未显示统计学显著关联。重复记录敏感性分析使用全部89条周期水平配对记录和患者聚类稳健标准误,调整后AV_D系数为?1.73 pg/mL(95% CI ?22.71至19.24;P = 0.870),与主要分析结论一致。探索性主成分分析(PCA)显示配对VEGF变量(VEGF_P和VEGF_T)之间以及配对贝伐珠单抗变量(AV_P和AV_T)之间紧密对齐,而两组变量在二维投影中分离,前两个主成分解释了76.86%的总方差。分类主成分分析(CATPCA)解释了82.48%的方差。监督式模型方面,随机森林、梯度提升树、装袋树和人工神经网络在保留测试集上的准确率分别为0.250、0.333、0.333和0.333,均未超过朴素三类基准(约0.333)。变量重要性排序中,AV_D在多数模型中排名第一,其次为体重和治疗周期,但这些排序仅为模型特异性和数据集依赖性的描述性观察。
三、主要关键技术方法
研究人员使用了多种机器学习方法。探索性降维方法包括主成分分析(PCA)、分类主成分分析(CATPCA)和混合数据因子分析(FAMD)。监督式树模型包括随机森林、梯度提升树和装袋树。此外还使用了浅层前馈人工神经网络(ANN)作为补充探索性分析。样本队列来自希腊帕特雷大学综合医院肿瘤科的前瞻性观察性临床研究,共74例患者。分析采用每患者一行数据(n = 74),对重复记录进行患者水平平均后计算AV_D和VEGF_D。
四、研究结果
4.1 主成分分析结果
探索性PCA显示配对VEGF变量(VEGF_P和VEGF_T)之间以及配对贝伐珠单抗变量(AV_P和AV_T)之间紧密对齐,两组变量在二维投影中分离,前两个主成分解释了76.86%的总方差。CATPCA解释了82.48%的方差。进一步探索性分析显示治疗持续时间或周期数与贝伐珠单抗浓度(特别是AV_P)紧密对齐,而VEGF向量与治疗变量的对齐程度较低。体重与VEGF变量在二维投影中接近,而贝伐珠单抗变量距离较远。这些模式仅为描述性观察,不构成正式统计证据。
正式统计分析中,Spearman相关和Pearson敏感性分析均显示AV_D与VEGF_D之间无显著相关性。多变量调整模型中AV_D系数无统计学显著性。重复记录敏感性分析与主要分析结论一致。各敏感性分析在不同暴露参数化和VEGF结局定义下结果一致,表明解释不依赖于单一VEGF结局。
4.2 集成方法分析结果
作为次要探索性分析,监督式树模型用于检验AV_D、体重和治疗周期是否包含分类三分位VEGF_D的信息。随机森林模型将AV_D排名为最重要变量,其次为体重和治疗周期。由于模型性能未超过朴素三类基准,该排序仅为描述性的。保留测试集和交叉验证指标显示,所有监督式模型的准确率在0.240至0.333之间,均未超过朴素基准(约0.333)。提升树和装袋树模型产生了相似的描述性排序,AV_D排名第一,其次为体重和治疗周期。由于所有模型均拟合自同一数据集且性能未超过基准,排序相似性不构成独立验证或稳健性证据。
4.3 人工神经网络结果
ANN作为补充探索性分析应用于同一数据集和预测变量集。在ANN分析中,AV_D获得最高相对重要性排名,其次为体重和治疗持续时间。与树模型观察到相似排序。然而,由于所有模型均拟合自同一队列且显示机会水平预测性能,该相似性仅为描述性的,不提供关联、生物学相关性、预测有效性或独立验证的证据。
五、讨论与结论
讨论部分指出,本研究为探索性PK/PD分析,未评估治疗疗效、安全性或其他给药策略。循环VEGF仅是贝伐珠单抗治疗相关VEGF生物学的一部分,无法捕捉空间异质性的瘤内信号。监督式模型的机会水平性能表明,观察到的变量重要性排序不提供预测有效性或生物学相关性的证据,仅作为模型特异性、数据集依赖性的观察结果,可用于在更大独立队列中产生假设。研究存在多项局限性:队列规模小(n = 74)、包含五种肿瘤类型、性别严重不平衡、无外部验证队列、缺乏临床结局数据。AV_D仅应解释为研究采样方案中配对贝伐珠单抗测量值的绝对差值,不应解释为持续暴露、暴露稳定性、累积暴露或总体药物暴露的度量。研究结果不支持临床实施、个体化给药或治疗优化,需在大型独立队列中加以证实。
结论部分总结,该探索性研究通过结合常规统计分析与补充机器学习方法,评估了贝伐珠单抗暴露与循环VEGF动态之间的关系。该分析框架在临床异质性队列中表征了模式,并确定AV_D、体重和治疗持续时间作为值得进一步研究的特征。观察到的变量重要性排序应视为模型特异性和假设生成性的,不建立独立的生物学关联或预测价值。尽管如此,该研究为未来关于贝伐珠单抗暴露、患者特征和循环VEGF动态关系的药理学研究提供了基础。在纳入相关临床终点的更大、独立、疾病特异性队列中进行验证,可能阐明这些发现的生物学和潜在临床相关性。