Nature Medicine发表：AI模型提升癌症免疫治疗预测准确率

被称为免疫检查点抑制剂（ICIs）的癌症免疫治疗药物，对于病患而言宛如“神药”，不仅能治愈部分癌症，还能让某些绝症变为可控的慢性疾病。

然而，此类药物并非对所有人均有效，且疗效差异背后的机制尚不明确。这一认知缺口严重影响了患者的预后评估、临床试验的招募以及新疗法的研发进程。

哈佛医学院及其团队研发出一种名为COMPASS的新型AI模型，旨在更精准地预测患者对ICIs的反应。基于既往病例数据，该模型的预测准确率比现有最佳方法提升了8.5%。它依据肿瘤基因活性进行研判，并提供了可解释的原理依据。

若未来临床试验证实了这一成果，COMPASS将推动癌症个性化医疗的进步，更高效地筛选临床试验对象，并为科研人员探寻新药靶点提供助力。

相关研究成果已于7月3日在《自然医学》期刊上发表。

“ICIs是一种极具前景的治疗手段，近十年来通过激活免疫系统消灭癌细胞，彻底改变了肿瘤治疗格局。借助尖端AI技术，我们有望在患者用药前就预判其对该ICI的敏感度。”哈佛医学院Blavatnik研究所生物信息学副教授Marinka Zitnik表示。

强大的抗癌疗法潜力

美国FDA于2011年批准了首批ICIs。得益于HMS科学家的贡献，这些药物能靶向PD-L1、PD-1和CTLA-4等蛋白。这些蛋白如同“隐形斗篷”保护癌细胞，ICIs则破坏这种保护，使癌细胞重回免疫系统的攻击范围。

对于特定癌症患者，ICIs已成为救命稻草，显著延长生存期。例如，前总统吉米·卡特在确诊黑色素瘤晚期后，服用PD-1抑制剂pembrolizumab，存活长达9年。

不过，响应者仅占少数，约占10%至40%。无反应者不仅面临副作用风险，还可能因无效治疗而贻误病情。

现有的机器学习方法和生物标志物曾尝试辅助预测，例如基于肿瘤微环境（免疫炎症与免疫沙漠）的特征。

然而，部分患者的反应超出了常规预测范畴，降低了模型的可靠性。

Zitnik指出：“掌握谁会对ICI产生反应，是一个亟待填补的知识鸿沟。”作为哈佛肯普纳自然与人工智能研究所副教授，她认为这是肿瘤学尚未攻克的难题。

为救援人员指明方向

Zitnik团队开发的COMPASS正是为了解决这一问题。该模型通过分析约16,000个基因在免疫细胞状态、肿瘤微环境互作及信号通路中的活性，来预测ICI反应。

COMPASS采用了“概念瓶颈转换器”架构，确保输出结果不仅准确，而且具有可解释性，能够提供基本原理。

研究人员利用癌症基因组图谱中33种癌症类型共10,184个肿瘤的数据对模型进行训练。该图谱收录了大量肿瘤及匹配样本的基因序列数据。通过训练，AI“学会”了识别哪些基因活性与ICI的反应或无反应相关。

随后，团队利用16项针对七种癌症类型的临床试验结果对模型进行微调。为了验证性能，他们逐一剔除试验数据，让COMPASS预测缺失的试验结果。结果显示，COMPASS在预测ICI反应方面比现有最佳方法平均高出近10%，且在不同癌症类型、药物和检测平台上表现一致。

由于结果可解释，研究团队能分析异常反应。例如，某些在免疫炎症肿瘤中无反应的基因表达，实际上与抑制免疫反应的机制有关。反之，免疫荒漠肿瘤的应答者，其基因特征往往显示促进了其他类型的免疫活性。

未来的发展方向

Zitnik表示，若未来试验结果确凿，COMPASS可成为临床辅助工具，帮助医生筛选最可能从ICIs中获益的患者。

该工具也能造福临床试验，帮助招募匹配度高的受试者，提高试验成功率。

此外，鉴于结果的可解释性，团队有望据此提出新的免疫抗癌假设，进而发现新的药物靶点。

他们计划引入更多数据源来提升精度，包括患者电子健康记录（如病史、合并症及过往治疗反应）以及单细胞测序数据，以揭示不同细胞群在治疗中的作用。

参考文献

Generalizable AI predicts immunotherapy outcomes across cancers and treatments.