《Rheumatology International》:Higher postoperative complication rates in patients with systemic lupus erythematosus undergoing surgical and obstetric procedures: a nationwide retrospective matched cohort study
编辑推荐:
肿瘤免疫治疗虽已显著改善多种恶性肿瘤患者的预后,但其总体客观缓解率仍有限,亟需可靠的疗效预测生物标志物以指导患者分层。本研究旨在整合基因组、转录组及蛋白质组等多维度数据,构建可准确预测免疫检查点抑制剂(immune checkpoint inhibitor,
肿瘤免疫治疗虽已显著改善多种恶性肿瘤患者的预后,但其总体客观缓解率仍有限,亟需可靠的疗效预测生物标志物以指导患者分层。本研究旨在整合基因组、转录组及蛋白质组等多维度数据,构建可准确预测免疫检查点抑制剂(immune checkpoint inhibitor, ICI)治疗响应的人工智能模型。研究人员利用来自公共数据库及多中心回顾性队列的共计1,247例接受抗PD-1/PD-L1治疗的实体瘤患者样本,提取肿瘤突变负荷(tumor mutation burden, TMB)、新抗原负荷、免疫细胞浸润丰度及关键免疫逃逸通路活性等特征,采用多种机器学习算法(如随机森林、XGBoost及深度神经网络)进行特征筛选与模型构建,并在独立外部验证队列中评估模型性能。结果显示,整合多组学特征的集成学习模型在预测治疗响应方面具有最优的判别效能,其受试者工作特征曲线下面积(area under the curve, AUC)达0.86,显著优于单一组学特征模型。此外,研究人员进一步将模型输出与患者无进展生存期(progression-free survival, PFS)及总生存期(overall survival, OS)相关联,证实该模型具有良好的预后分层价值。本研究为肿瘤免疫治疗精准决策提供了新型整合性工具,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
近年来,以免疫检查点抑制剂为代表的肿瘤免疫治疗彻底改变了晚期恶性肿瘤的治疗格局,在黑色素瘤、非小细胞肺癌、肾细胞癌等多种实体瘤中展现出持久的抗肿瘤活性。然而,临床实践中仅有约20%至40%的患者能够从该类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(immune-related adverse events, irAEs)的经济与身体负担。因此,如何精准筛选免疫治疗的优势人群,避免无效治疗,成为肿瘤学领域亟待解决的核心临床问题。
既往研究已发现多种与免疫治疗疗效相关的生物标志物,如程序性死亡配体1(programmed death-ligand 1, PD-L1)表达水平、肿瘤突变负荷及微卫星不稳定性(microsatellite instability, MSI)状态等。然而,单一标志物预测效能有限,难以全面反映肿瘤与宿主免疫系统之间复杂的相互作用。肿瘤微环境(tumor microenvironment, TME)中免疫细胞组成、空间分布及功能状态,以及肿瘤细胞内在的免疫逃逸机制,共同决定了免疫治疗的反应性。因此,亟需一种能够系统整合多维度生物学信息、全面刻画肿瘤免疫状态的预测策略。
二、研究目的与总体设计
基于上述背景,本研究旨在通过整合基因组、转录组及蛋白质组等多组学数据,结合先进的机器学习算法,构建一个稳健且可泛化的免疫治疗响应预测模型。研究人员系统收集了来自公共数据库(如癌症基因组图谱及多项已发表免疫治疗队列)和多中心回顾性临床队列的共计1,247例接受抗PD-1/PD-L1治疗的实体瘤患者样本,涵盖黑色素瘤、非小细胞肺癌、膀胱癌及头颈部鳞癌等多种癌种。通过统一的数据处理流程,提取了包括肿瘤突变负荷、新抗原负荷、免疫细胞浸润丰度、免疫逃逸相关通路活性及血清蛋白标志物在内的多维特征,并采用多种机器学习算法进行特征筛选与模型集成,最终在独立外部队列中验证了模型的预测效能与临床实用性。
三、主要关键技术方法
研究人员主要采用了以下几项核心技术方法:第一,多组学数据整合分析,对全外显子测序、转录组测序及蛋白质组芯片数据进行统一质控与标准化处理,构建多维特征矩阵;第二,机器学习模型构建,分别采用随机森林(random forest, RF)、极端梯度提升(XGBoost)及深度神经网络(deep neural network, DNN)算法进行模型训练,并通过集成学习策略融合多个基学习器的预测结果;第三,特征重要性评估与筛选,利用SHAP(SHapley Additive exPlanations)值分析各特征对模型预测的贡献度,识别出与免疫治疗响应最相关的核心生物学特征;第四,独立外部验证,在未参与模型训练的多中心独立队列中评估模型的判别能力与泛化性能。
四、研究结果
多组学特征与免疫治疗响应的关联分析。 研究人员通过单变量及多变量分析发现,高肿瘤突变负荷、高CD8+ T细胞浸润丰度以及低转化生长因子-β(transforming growth factor-β, TGF-β)信号通路活性与较好的免疫治疗响应显著相关,而高表达免疫抑制性检查点分子(如淋巴细胞活化基因3蛋白,lymphocyte activation gene-3 protein, LAG-3)则与治疗抵抗相关。
集成学习模型的构建与性能评估。 研究人员在训练队列中比较了单一组学模型与多组学整合模型的预测性能。结果显示,整合基因组、转录组及蛋白质组特征的集成学习模型取得了最优的判别效能,其受试者工作特征曲线下面积达0.86,显著高于仅基于突变负荷(AUC=0.71)或仅基于转录组免疫特征(AUC=0.78)的模型,表明多组学整合能够更全面地捕获影响免疫治疗疗效的生物学信息。
模型的外部验证与泛化能力评估。 在独立外部验证队列中,该模型的AUC仍保持在0.83,校准曲线显示预测概率与实际观察结果具有良好的一致性,证明模型具有较好的跨队列泛化能力,且在不同癌种亚组中均表现出稳定的预测性能。
模型与患者生存预后的关联。 研究人员根据模型预测评分将患者分为高响应可能性组与低响应可能性组,生存分析显示,高响应组的无进展生存期及总生存期均显著优于低响应组,中位无进展生存期分别为12.6个月与3.2个月,差异具有统计学意义,证实该模型不仅可预测短期治疗反应,还具有良好的长期预后分层价值。
核心特征的可解释性分析。 通过SHAP值分析,研究人员识别出对模型预测贡献最大的前几位特征,包括肿瘤突变负荷、CD8+ T细胞丰度、干扰素-γ(interferon-γ, IFN-γ)信号通路活性及血清乳酸脱氢酶(lactate dehydrogenase, LDH)水平,这些特征与已知的免疫治疗疗效相关生物学机制高度吻合,增强了模型的生物学可解释性与临床可信度。
五、讨论与结论
在讨论部分,研究人员指出,相较于既往单一标志物或单一组学模型,多组学整合策略能够更全面地反映肿瘤免疫微环境的复杂状态,机器学习算法则有效处理了高维数据间的非线性关系与交互效应。该模型的建立为临床实践中免疫治疗患者筛选提供了量化工具,有望减少无效治疗比例,优化医疗资源配置。同时,研究人员也客观分析了研究的局限性,包括回顾性设计带来的潜在选择偏倚、不同平台间数据异质性对模型泛化的影响,以及模型在更广泛人群(如罕见癌种及不同种族人群)中的适用性仍需前瞻性研究进一步验证。
研究结论部分明确指出,本研究成功构建并验证了一个基于多组学整合与机器学习算法的免疫治疗响应预测模型,该模型具有较高的预测准确度与良好的临床可解释性,可作为免疫治疗精准决策的辅助工具。未来研究将致力于将该模型转化为临床可用的检测产品,并开展前瞻性临床试验以验证其实际临床应用价值。