浦项科技大学团队开发机器学习方法，利用肿瘤衰老微环境预测多癌种免疫治疗应答

免疫检查点抑制剂虽能带来持久的疾病缓解，却只对一部分患者有效，如何挑选可能获益者一直是临床难题 ^[1]。目前患者筛选主要依赖PD-L1表达和肿瘤突变负荷（TMB），后者的解读与界定标准仍需优化 ^[1]；学界还发展了多种补充路径，如基于CT影像的AI影像组学标志物 ^[2]、结合基因组数据评估CD8细胞浸润的影像组学签名 ^[3]、从基因表达谱估计免疫细胞丰度并建模预测应答的ImmuCellAI ^[4]，而“免疫评分”的倡导者更主张以肿瘤免疫特征弥补传统TNM分期预后信息的局限 ^[5]。正因只有部分患者获益，应答预测始终是免疫治疗研究的重点方向 ^[6]。

10月21日消息，浦项科技大学（POSTECH）生命科学系Sanguk Kim教授团队与人工智能研究生院硕博连读生Minsoo Kim开发了一种分析癌症患者基因信息的机器学习方法，用于预测免疫治疗应答，论文发表于npj Digital Medicine。其切入点是肿瘤微环境中的衰老细胞：它们会抑制免疫细胞活性，如同战场上暗中掣肘友军的捣乱者。团队还需破解AI训练的老问题——患者数量少而基因信息量巨大，一次性输入全部信息易使模型过度贴合训练人群，面对新患者便表现失灵。为此他们分步而行：先识别出免疫活性受抑制的衰老微环境肿瘤，再逐步对患者分层，判断其可能的治疗应答。

实验显示，该方法在包括皮肤癌在内的四种癌症类型、六个患者队列上的预测表现优于临床现有生物标志物，并在一个未参与训练的独立皮肤癌队列中保持了稳定性能。相较于围绕突变负荷 ^[1]、影像特征 ^[2][3] 和免疫细胞浸润 ^[4][5] 的既有路径，这项工作把此前被忽视的“衰老肿瘤微环境”因素引入应答预测；同类探索近年亦见于其他癌种，如结肠癌中构建细胞衰老相关风险评分以预测预后和免疫治疗应答^[7]，以及以细胞衰老相关mRNA作为非小细胞肺癌免疫治疗反应的预测因子^[8]。消息认为，若能预判衰老细胞是否会干扰疗效，即使患同一种癌症，不同患者也有望获得更个体化的治疗策略。

当然，现有验证仍限于四个癌种、六个队列与一个独立皮肤癌队列；预测结果如何转化为具体的治疗决策、能否最终让更多患者受益，消息并未给出答案。Sanguk Kim也表示，团队将通过后续研究继续开发更精确反映肿瘤微环境的AI预测方法——距离真正读懂这张复杂的微环境网络，显然还有路要走。