Nat Commun | 丁琛/贾友超揭示抗PD-1和抗CTLA-4的双特异性抗体的抗肿瘤疗效和胆固醇代谢相关

ICIs的治疗进展是有目共睹的，但必须承认的是，只有一小部分晚期肿瘤患者可以对ICIs治疗有反应。研究表明，DBT，如抗PD-1和抗CTLA-4 ICIs的联合阻断治疗，显著提高了黑色素瘤（从43.7%提高到57.6%）[4]和非小细胞肺癌（NSCLC）（35.9%）的客观应答率（ORR）[5]。QL1706是一种PD-1/CTLA-4双重免疫检查点阻断剂，在多种实体瘤中显示出良好的抗肿瘤活性。一项已发表的I/Ib期试验表明，ORR和中位反应持续时间分别为16.9%（79/468）和11.7个月[6]。然而，尚未开发出预测性生物标志物来识别患者是否会对DBT产生治疗反应。丁琛教授团队和贾友超教授团队长期致力于多组学联合分析肿瘤生物标志物的合作研究。

在本研究中，研究者纳入了22名接收DBT（QL1706）治疗的癌症患者的113个纵向血浆样本，其中包括LC（肺癌）6例，CCA（胆管癌）4例，RCC（肾细胞癌）3例，OVCA（癌症）3例、CRCA（癌症）2例，CESC（宫颈鳞状细胞癌）2例、BLCA（膀胱癌症）1例，UCEC（子宫内膜癌）1例。还收集了一个独立的验证队列，该队列由27名接受抗PD-1抗体单药治疗患者的54份纵向血浆样本组成。此外，研究者招募了24名健康对照，以建立血浆蛋白质组的基线参照。最终，共有191个样本参与了这项研究（图1）。研究者通过应用先进的液相色谱DIA-MS流水线，生成了一个大型血浆蛋白质组数据集，结合患者血常规、血液生化、凝血功能、心肌酶谱、甲状腺功能、垂体-肾上腺轴、病毒学以及人口统计学和临床病理等各项指标，发现高丰度蛋白质参与胆固醇代谢和炎症过程，而低丰度蛋白质富集了对应激和吞噬作用的反应标志（图1）。

图1. 队列特征与研究设计(Credit: Nature Communications)

为了进一步探索胆固醇代谢与DBT治疗反应之间的相关性，通过对比分析健康人，DBT治疗前以及DBT治疗一周期后的蛋白质组学数据发现HLH簇中的蛋白质，意味着DBT后肿瘤抑制的蛋白质表达的恢复，参与脂质结合和抗氧化活性（APOM、CETP和ALB）。LHL蛋白簇的特征是细胞外空间（HRG，HGFAC），表明DBT后肿瘤相关蛋白的“平静”。LMH簇显示免疫相关过程显著富集，如淋巴细胞介导的免疫和补体级联（SAA1、FGA和CD14）（图2）。这些结果代表了DBT对胆固醇过程、免疫反应和致癌信号的强烈影响。同时，我们评估了DBT治疗前和第一个DBT周期组样本的肝功能指标水平。反映肝功能损害的天冬氨酸转氨酶（AST）、丙氨酸转氨酶（ALT）、碱性磷酸酶（ALP）和γ-谷氨酰转移酶（GGT）水平在成对样本中升高。这些结果表明，DBT临床试验应考虑肝功能损害，并应进一步研究DBT与肝功能之间的联系。

图2. DBT后血浆蛋白质组显示胆固醇代谢与致癌信号之间存在负相关(Credit: Nature Communications)

研究者接下来研究了DNP组和DP组之间血浆蛋白质组图谱的差异。通过比较两组之间的ssGSEA评分，发现DNP组的脂质相关过程和神经元相关过程上调（图3）。DNP组上调的脂质相关生物过程包括富含甘油三酯的脂蛋白颗粒重塑、反向胆固醇转运、脂蛋白脂肪酶活性、脂蛋白颗粒清除率和血浆脂蛋白组装（图3）。考虑到BMI对脂质代谢的影响，研究者测试了两组之间的BMI，并观察到没有显著差异。DNP组的高密度脂蛋白成分APOC3、APOC2和APOL1的水平比DP组增加（基于排列的t检验p=2.00E-4、1.00E-3和7.70E-3）（图3）。

这些结果提示DBT中载脂蛋白的改变。上述分析揭示了DBT对APOC3、APOC2和APOL1水平的影响，这意味着这些蛋白质在监测DBT反应中的潜在作用。为了筛选出有价值的蛋白质，研究者提出了一个标准来探索生物标志物，对于没有DPs样本的患者，（1）生物标志物的表达水平随着治疗周期逐渐增加，（2）线性模型中的p＜0.05。结果显示，APOC3和APOC2符合标准（图3）。此外，DNP组和DP组间APOC3的表达水平比APOC2的表达水平有更显著的差异。因此，APOC3被选为指示DBT反应状态的潜在生物标志物。同时基于时间序列线性回归，发现APOC3水平在没有DP样本的患者中增加，而在有DP样本的病人中没有增加（图3）。为了进一步验证APOC3作为DBT反应生物标志物的潜力，研究者也评估了上述患者的医学放射学成像，以全面分析治疗效果与APOC3蛋白水平之间的关系，发现患者的肿瘤大小和APOC3蛋白水平之间的负相关，而且还观察到一些新转移的出现（图3）。这些结果都进一步证明了APOC3作为DBT治疗反应的生物标志物的潜力。

图3. 蛋白质组和放射学成像的综合分析揭示了APOC3作为DBT反应中的生物标志物的潜力(Credit: Nature Communications)

接下来研究者基于DBT反应相关的纵向队列中存在的临床（PA、LDH）和蛋白质组（APOC3）特征，搭建了一个机器学习框架（图4），将特征集成到DBT反应的预测模型中，以预测患者的疾病进展状态。基于临床和蛋白质组特征，有五种可选的不同特征组合，包括（1）PA、（2）LDH、（3）APOC3、（4）综合临床特征（PA和LDH）、（5）综合所有特征（PA、LDH和APOC3）（图4）。模型测试发现，以APOC3为特征和综合所有特征的两个模型显示出比具有临床指标的其他模型更好的性能（图4）。我们评估了综合所有特征的模型性能，AUROC、平衡准确度、F1、召回率和准确度分别为0.87、0.85、0.79、0.85和0.73。与此同时，研究者在抗PD1单药治疗队列样本中进行了模型测试时发现一个令人兴奋的结果，综合所有特征的模型表现出更好的性能，其次是综合临床特征的模型，此外，我们观察到具有6个样本点的患者的APOC3蛋白水平在抗PD1单药治疗期间逐渐升高。这表明，PA、LDH和APOC3也有可能成为抗PD1单药治疗反应的预测生物标志物。

图4. 基于蛋白质组临床特征的机器学习模型为DBT提供了准确的测量方法(Credit: Nature Communications)

综上所述，研究者优化了血浆蛋白质组分析管道，并为DBT队列提供了蛋白质组数据集。通过整合临床和蛋白质组数据，挖掘了关键的候选生物标志物PA、LDH和APOC3。基于蛋白质组临床特征的机器学习模型提供了对DBT队列的准确预测。值得注意的是，该模型的预测能力也可以扩展到抗PD-1治疗队列。同时，通过纵向探索的这些临床和蛋白质组生物标志物也可以表明患者对DBT的长期反应。最后，这项研究扩展了我们对DBT血浆蛋白的生物学理解，并产生了可能作为未来精确免疫治疗反应临床试验基础的假设。

参考文献

1. Sharpe, A. H. & Pauken, K. E. The diverse functions of the PD1 inhibitory pathway. Nat. Rev. Immunol. 18, 153–167 (2018).

2. Brahmer, J. R. et al. Safety and activity of Anti–PD-L1 antibody in patients with advanced cancer. N. Engl. J. Med. 366, 2455–2465 (2012).

3. Lipson, E. J. & Drake, C. G. Ipilimumab: an Anti-CTLA-4 antibody for metastatic melanoma. Clin. Cancer Res. 17, 6958–6962 (2011).

4. Larkin, J. et al. Combined Nivolumab and Ipilimumab or Monotherapy in Untreated Melanoma. N. Engl. J. Med. 373, 23–34 (2015).

5. Hellmann, M. D. et al. Nivolumab plus Ipilimumab in advanced non–small-cell lung cancer. N. Engl. J. Med. 381, 2020–2031 (2019).

6. Zhao, Y. et al. First-in-human phase I/Ib study of QL1706 (PSB205), a bifunctional PD1/CTLA4 dual blocker, in patients with advanced solid tumors. J. Hematol. Oncol. 16, 50 (2023).