基于基因突变的分类器：精准预测免疫治疗效果的新突破

为解决癌症患者免疫检查点阻断（ICB）治疗响应预测难题，南京医科大学第一附属医院研究人员开展相关研究，开发出基于基因突变的预测分类器（GPS），能精准预测 ICB 治疗响应，对指导临床治疗意义重大。

　　

免疫治疗预测新挑战：旧标存缺，新径待寻

在癌症治疗的战场上，免疫检查点阻断（ICB）疗法可谓是一颗耀眼的新星，它通过靶向程序性死亡 - 1（PD-1）、程序性死亡配体 - 1（PD-L1）和细胞毒性 T 淋巴细胞相关蛋白 - 4（CTLA-4），为众多一线治疗失败的癌症患者带来了新的希望。然而，这一疗法并非对所有患者都有效，仅有约 20 - 30% 的癌症患者能从中获益，其余患者对 ICB 治疗不敏感的原因至今仍不明确。

在当前临床实践中，PD-(L) 1 表达和肿瘤突变负荷（TMB）是评估 ICB 治疗效果的两个主要生物标志物，但它们都存在明显的缺陷。PD-(L) 1 蛋白表达主要通过免疫组化（IHC）来评估，可肿瘤样本的时空异质性以及病理学家的主观判断，都会让评估结果产生偏差。而且，有些 PD-L1 高表达的患者对 ICB 治疗没反应，而部分 PD-L1 阴性的患者却有疗效。至于 TMB，虽然反映了肿瘤样本的体细胞突变负荷，但它仅停留在 “突变数量” 层面，不同突变对新抗原生成和肿瘤免疫原性的贡献差异被忽视了，像 EGFR 突变和 KEAP1 驱动的共突变等会削弱免疫激活和 ICB 反应的突变，也被纳入了 TMB 的计算。此外，不同测序平台在技术方法和生物信息学解释上的差异，使得 TMB 的标准化困难重重。

除了这两个指标，一些特定的基因突变虽也被发现能影响 ICB 反应，但单一突变指标的判别能力有限，无法准确筛选出能从 ICB 治疗中获益的患者。因此，寻找更可靠的方法来预测癌症患者对 ICB 治疗的反应，成为了亟待解决的问题。

多机构携手破难题，创新分类器崭露头角

为了攻克这一难题，南京医科大学第一附属医院等多家机构的研究人员联合开展了深入研究。他们试图突破传统生物标志物的局限，找出决定 ICB 治疗反应的关键基因突变组合。

研究人员首先从 Rizvi 队列中提取了 179 例具有 MSK-IMPACT 测序数据和临床病理特征的肺腺癌（LUAD） - ICB 患者数据，运用倾向得分匹配（PSM）算法平衡了潜在混杂因素，去除同义突变和低频突变后，利用多种机器学习方法（NB、RF、SVM、LDA 和 XGBoost）对非同义突变数据进行训练。最终，确定了 STK11、FAT1 和 ERBB4 这三个关键基因，并构建了基于基因突变的预测分类器（Gene mutation-based Predictive Signature，GPS）。该分类器根据患者对 ICB 治疗的预测反应和临床结果，将患者分为 GPS-pos（G1）、GPS-zero（G2）和 GPS-neg（G3）三个等级。

此项研究成果意义非凡，它为精准预测 ICB 治疗反应提供了一种简单且可靠的工具，有助于降低检测成本、缩短检测时间，推动个性化免疫治疗在临床中的广泛应用，该研究成果发表于npj Precision Oncology。

多技术助力研究，解锁关键基因密码

为了达成研究目的，研究人员运用了多种关键技术方法。在数据收集与预处理阶段，他们整合了多个队列的数据，如将 Rizvi 队列作为训练集，Hellmann 队列和 Samstein 队列用于验证。同时，对数据进行 PSM 算法处理、筛选非同义突变、去除低频突变，从而获得高质量的输入矩阵。在分析突变数据时，采用了多种机器学习算法，像基于递归特征消除（RFE）和留一法交叉验证（LOOCV）的 Naive Bayes（NB）、Random Forest（RF）、Support Vector Machine（SVM）和 Linear Discriminant Analysis（LDA）算法，以及用于量化突变重要性的 XGBoost 算法。此外，研究人员还通过多组学分析、单细胞 RNA 测序（scRNA-seq）、多重免疫组化（mIHC）和体外肿瘤类器官 - PBMC 共培养模型等技术，深入探究肿瘤免疫原性、免疫反应和肿瘤微环境（TME）的特征。

研究结果：GPS 性能卓越，多层面揭示关联

1. GPS 预测 ICB 反应的能力超群：研究人员在训练队列中，将 GPS 的预测能力与传统临床病理特征进行对比，发现 PD-L1 肿瘤比例评分（TPS）与 ICB 疗效的相关性不显著，而 GPS 评分与 ICB 疗效显著相关，并且在多变量逻辑回归分析中，GPS 是 ICB 治疗结果的唯一显著预测指标。在独立的 NSCLC - ICB 队列（Hellmann 队列）中，GPS 同样展现出极高的预测准确性，GPS-pos 患者的客观缓解率（ORR）达到 100%，GPS-neg 患者的 ORR 为 0%，不同 GPS 组的无进展生存期（PFS）也存在显著差异。此外，GPS 在非小细胞肺癌（NSCLC）的多个亚组中，如高 TMB 和联合 ICB 治疗的患者中，都能保持良好的预后预测能力12。

2. GPS 基因的突变特征与临床病理紧密相关：通过分析四个大规模 NSCLC 队列的数据，研究人员发现 3 个 GPS 基因在吸烟者中更容易发生突变，STK11 在白种人、LUAD 中突变频率更高，FAT1 在肺鳞癌（LUSC）中更常见。同时，不同 GPS 组的 TMB 存在显著差异，GPS-pos 的 LUAD 患者 TMB 水平较高，GPS-zero 患者的 TMB 最低，但 GPS-neg 的 LUAD 患者 TMB 虽高于 GPS-zero 患者，却往往对 ICB 治疗无反应，这表明 TMB 不能准确反映特定亚组对 ICB 治疗的潜在反应34。

3. GPS 与免疫细胞浸润及预后息息相关：在泛癌 ICB 队列中，3 个 GPS 基因的非同义突变分布与对 ICB 治疗更敏感的 “category I” 癌症类型相似。通过多种算法评估发现，“category I” 癌症样本中，从 GPS-neg 到 GPS-zero 再到 GPS-pos 组，CD8⁺ T 细胞浸润逐渐增加，且不同 GPS 组在免疫治疗预测通路和免疫相关过程中存在显著差异。在 Samstein 队列中，不同 GPS 组的总体生存期有显著差异，GPS-pos 患者预后最好，GPS-neg 患者最差，并且 GPS 是预后的独立风险因素56。

4. 不同 GPS 组的免疫特征差异显著：对 LUAD 患者不同 GPS 组的研究发现，GPS-pos 的 LUAD 样本具有更高的肿瘤免疫原性和更强的免疫反应，其免疫检查点（ICs）表达水平更高，抑制性 ICs、刺激性 ICs、抗原呈递（AP）、T 细胞炎性模式和细胞毒性（CYT）的 ssGSEA 评分也更高，CD8⁺ T 细胞浸润随 GPS 水平升高而显著增加。此外，不同 GPS 组的免疫模式存在差异，“Hot” 肿瘤在 GPS-pos 组的比例更高，差异表达基因（DEGs）主要富集在免疫效应过程、髓系白细胞激活等相关通路789。

5. GPS 和 EGFR 状态共同影响肿瘤微环境：通过对 9 例 LUAD 样本的 scRNA-seq 数据分析，研究人员发现 GPS 水平和 EGFR 状态共同影响肿瘤微环境中细胞的组成和功能。例如，从 “negGPS” 到 “zeroGPS/mEGFR” 再到 “zeroGPS/wEGFR”，肿瘤纯度逐渐降低，CD8⁺ T 细胞比例逐渐增加，CD8⁺ Tex 细胞比例在 zeroGPS/wEGFR 亚组中最高。同时，恶性细胞的糖酵解活性也受到 GPS 和 EGFR 状态的调控，negGPS 样本的糖酵解活性最高1011。

6. 体外实验验证 GPS 对 ICB 反应的预测能力：研究人员回顾性分析了南京医科大学第一附属医院的 338 例 NSCLC 患者数据，并选取了 2 例代表性 LUAD 样本进行 mIHC 分析和体外肿瘤类器官 - PBMC 共培养实验。结果显示，与 STK11 突变样本相比，FAT1 突变样本的 CD8⁺ T 和 Tex 细胞浸润更高。在共培养实验中，PD-1 抗体在 posGPS 样本来源的共培养模型中诱导出更强的抗肿瘤免疫反应，进一步证明了 GPS-pos 样本对 PD-1 治疗更敏感121313。

研究结论与讨论：GPS 潜力巨大，前景广阔

这项研究成功开发了 GPS 分类器，它在预测 ICB 治疗反应方面比传统生物标志物更具优势，为癌症免疫治疗的精准决策提供了有力支持。研究还揭示了 GPS 基因的突变特征与临床病理因素的关系，以及不同 GPS 组在肿瘤免疫原性、免疫反应和肿瘤微环境方面的差异，为理解 ICB 治疗的机制提供了新的视角。此外，通过 scRNA-seq 分析和体外实验，发现 GPS 和 EGFR 状态对肿瘤微环境的影响，为进一步探索肿瘤免疫逃逸机制和开发新的治疗策略提供了方向。

不过，该研究也存在一定的局限性。比如，研究主要基于回顾性分析和公共数据，需要前瞻性研究进一步验证；不同队列采用的 ICB 治疗策略不同，GPS 对不同药物在多种癌症类型中的预测效率有待研究；考虑到肿瘤的异质性，GPS 在其他癌症中的应用价值也需要进一步探索。

尽管如此，GPS 分类器的出现仍是癌症免疫治疗领域的一大突破。它简单、经济、易于操作且预测准确，有望最大化免疫治疗效果，减少不必要的治疗。未来，随着研究的不断深入和完善，GPS 分类器有望在临床实践中得到广泛应用，为更多癌症患者带来生存的希望。