Med：循环Temra细胞的"分子指纹"，同济大学陈昶等利用机器学习模型解锁其预测免疫治疗响应的潜力
来源：iNature 2026-03-03 13:39
该研究建立了一种基于机器学习的泛癌血液来源转录组生物标志物，并在NSCLC队列中进行了前瞻性验证，可能显著改善免疫肿瘤学的临床决策。
虽然免疫疗法已经改变了癌症的治疗模式，但持续反应率仍低于30%。目前可用的生物标志物不足以进行精确的患者分层。基于血液的生物标记物作为微创和可获得的工具，因其动态监测免疫检查点抑制剂反应的潜力而受到关注。
2026年2月25日，同济大学陈昶、Wu Junqi、Xu Long、温家梁、北京百奥智汇科技有限公司Hu Xueda共同通讯在Med 在线发表题为A machine learning model integrating circulating Temra cell transcriptional profiles to predict immunotherapy efficacy的研究论文。
该研究建立了一种基于机器学习的泛癌血液来源转录组生物标志物，并在NSCLC队列中进行了前瞻性验证，可能显著改善免疫肿瘤学的临床决策。
靶向PD-1/PD-L1轴的免疫检查点抑制剂(ICIs)已经改变了癌症治疗；然而，不到30%的患者实现了持久或完全的临床反应。这凸显了对强有力的预测性生物标志物的迫切需求，以识别最有可能受益于ICIs的患者。尽管PD-L1表达和肿瘤突变负荷(TMB)已被广泛研究，但它们的预测性能仍不一致。
例如，OAK试验表明，与多西他赛相比，在以前治疗的非小细胞肺癌(非小细胞肺癌)中，无论PD-L1状态如何，atezolizumab改善了总生存期(OS)。同样，KEYNOTE-407试验发现，TMB并未预测一线pembrolizumab联合化疗比单独化疗在转移性鳞状细胞癌中的益处。
最近的研究表明，来自肿瘤微环境(TME)的生物标志物，特别是那些反映T细胞浸润和活性的生物标志物，可能提供更大的预测价值。例如，18基因T细胞炎症基因表达谱(TcellinfGEP)在生物标志物驱动的2期试验中证明了应答者的优越分层。然而，TME在免疫细胞组成和功能状态方面高度异质性，这可能会大大混淆基于TME的生物标志物的性能和可推广性。
机理模式图（图源自Med ）
该研究发现循环Temra细胞是与各种癌症的治疗效果相关的关键免疫效应物。该研究通过描绘Temra基因表达模式，开发了一个强大的机器学习模型，能够使用常规血液样本预测患者的反应。该模型在一个前瞻性、多中心非小细胞肺癌队列中得到验证，为免疫治疗决策提供了一个可行且侵入性较小的策略。这些发现有助于在临床环境中推进个性化癌症治疗。
参考消息：https://www.cell.com/med/abstract/S2666-6340(26)00030-9
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
