癌症治疗中的微生物生态动力学与 ML 生物标志物

过去十年，肠道微生物与免疫检查点抑制剂疗效的关联已积累了大量观察性证据：在 112 例接受抗 PD-1 治疗的黑色素瘤患者中，应答者的肠道菌群 alpha 多样性显著更高，宏基因组显示其富集合成代谢相关通路，免疫特征也提示系统性与抗肿瘤免疫更强 ^[2]；在上皮肿瘤中，抗生素使用会削弱 ICI 疗效，基线粪便中 Akkermansia muciniphila 的丰度与应答相关 ^[3]；汇总临床研究的综述同样支持基线微生物谱与 PFS、OS 的关联，纳入的癌种中已包括非小细胞肺癌 ^[1]。但领域明显卡在“不一致”与“难泛化”上：不同队列报道的应答相关微生物特征互相矛盾 ^[4]，基于物种级丰度的模型难以跨队列推广，而菌株分辨率与更丰富的特征整合被证明能改善对 ICB 应答及 12 个月无进展生存的机器学习预测 ^[5]，融合微生物与代谢组的多组学整合模型也表现出更稳健的性能 ^[6]。总体而言，这些证据大多停留在治疗前单点的静态基线谱，且几乎都围绕免疫治疗展开。

这条消息来自 ImmuneZoom 的一期 38 分钟专家解读（AI4Science 系列），讲者为上海药物所的 Yan。其工作聚焦癌症治疗中的微生物生态动力学，即追踪微生物群落在治疗过程中的组装与功能动态；在此基础上，用机器学习把宏基因组与免疫特征（如免疫细胞计数）联合建模，刻画“核心微生物组”，并以非小细胞肺癌等为案例，基于临床试验患者数据，分析微生物/免疫谱变化与免疫治疗或化疗应答之间的关联。

与多数只关注免疫治疗、只考察治疗前单点菌群组成的研究相比 ^[2][3][5]，这一框架的看点在于把“随治疗演化的生态动态”与“菌群—免疫联合建模”纳入同一模型，并把关联对象从免疫治疗扩展到化疗，这与文献中通过提高微生物量化分辨率、整合多维特征来改善预测泛化性的方向相呼应 ^[5][6]，也为 NSCLC 等癌种的微生物标志物研究 ^[1] 提供了动态视角。

需要提醒的是，这只是报告层面的解读，材料未给出队列规模、模型性能与外部验证等细节；菌群与免疫谱的变化同应答之间究竟是相关还是因果、模型能否跨中心泛化，以及此类生物标志物能否支撑前瞻性的分层临床试验 ^[7]，都仍是悬而未决的问题。