机器学习模型使用临床和基因组数据来预测免疫治疗效果

克利夫兰 -克利夫兰诊所的Timothy Chan 医学博士和同事开发的一种新机器学习模型可以准确预测免疫检查点阻断 (ICB)，一种不断增长的免疫治疗药物，是否对诊断出患有多种癌症的患者有效.

该预测工具评估多个患者特定的生物学和临床因素，以预测对免疫检查点抑制剂的反应程度和生存结果。根据发表在《自然生物技术》上的研究结果，它明显优于迄今为止开发的单个生物标志物或其他变量组合。

通过进一步验证，该工具可以帮助肿瘤学家更好地识别最有可能从 ICB 中受益的患者。在治疗前识别 ICB 无效的患者可以减少不必要的费用和潜在副作用的暴露。它还可能表明需要寻求替代治疗策略，例如联合治疗。

“了解患者最适合哪种治疗方式很重要，”克利夫兰诊所免疫治疗和精准免疫肿瘤学中心主任陈博士说。“我们的模型可以更全面地了解患者对免疫检查点阻断反应的多样性。这是第一个组装如此大规模的临床和基因组变量，这些变量对多种癌症类型的免疫治疗具有预测价值。”

这些最新发现建立在 Chan 博士早期工作的基础上，他发现具有高肿瘤突变负荷和 DNA 修复缺陷的患者对免疫检查点治疗反应良好。这些发现已通过临床试验验证，并且 FDA 批准了任何癌症治疗的第一个肿瘤类型不可知批准。

免疫检查点是特定免疫细胞 (T 细胞) 上的蛋白质，当它们被激活或“开启”时，可防止免疫反应过于强烈并破坏健康细胞。一些癌细胞能够劫持检查点信号以伪装自己并避免成为患者免疫系统的目标。检查点抑制剂是一类免疫治疗药物，可防止癌细胞激活这些检查点。

然而，ICB 并非对所有癌症类型都有效。即使在对 ICB 有反应的癌症中，接受 ICB 治疗的所有患者中有一半或更多没有获得临床益处。先前的研究已经确定了一些与 ICB 疗效相关的生物标志物和基因组特征，但没有一个因素可以被视为治疗结果的最佳预测因子。

在这项研究中，陈博士和他的同事使用一个数据集开发了他们的模型，该数据集包含来自近 1,500 名患有 16 种不同癌症类型的患者的临床、肿瘤和基因测序信息，这些患者接受了两种不同类型的免疫检查点抑制剂(特别是 PD-1/ PD-LI 抑制剂和 CTLA-4 阻断)或两者的组合。然后，他们应用了一种算法，该算法结合了许多遗传、分子、临床和人口统计学变量，其中一些已被证明与 ICB 反应相关。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！