免疫檢查點抑制劑在臨床上的成功，使癌症的免疫治療煥發了新生命。免疫檢查點藥物分為兩大類，一類是以PD1為代表的抑制劑，一類是激活劑，激活劑目前處於臨床研究階段。靶向CTLA-4或PD-1/PD-L1的免疫檢查點阻斷藥物，對晚期癌症患者可產生持久的顯著治療效果。然而，只有少部分癌症患者對免疫檢查點抑制劑治療有響應，是否有可靠的生物標誌物（biomarker）組合能夠預測對免疫檢查點阻斷的反應？準確的預測對於幫助患者分層以及預估患者是否對免疫阻斷單獨療法有應答，是否需要組合療法或者接受其他的治療是必要的。一些大型3期臨床試驗，因未對入組的患者進行精準篩選，導致試驗失敗，進一步強調了精準篩選免疫抑制劑潛在獲益人群的必要性。
紀念斯隆凱特琳癌症中心（MSKCC）Timothy A. Chan教授團隊在Nature Biotechnology上發表了一篇名為Improved prediction of immune checkpoint blockade efficacy across multiple cancer types的文章，研究基於機器學習，整合基因組、分子、人口統計學和臨床檢測數據，用於預測對免疫抑制劑的反應。該研究共納入了1479名患者，屬於16種不同的癌症類型，均接受了免疫治療。通過回顧性分析，該模型在預測免疫治療的臨床反應方面具有高度的敏感性和特異性，在不同癌症類型的測試數據中，可對患者總生存期（OS）和無進展生存期（DFS）進行預測。該模型顯著優於FDA已批准的基於腫瘤突變負荷（TMB）的預測方法。研究者預計，該方法將顯著改善免疫治療的臨床決策，並為未來的精準干預提供指導。
RF16機器學習模型
為了計算免疫治療應答的概率，研究者們開發了一個包括16個輸入特徵的集成學習-隨機森林分類器（簡稱RF16）。輸入的信息如下：
-腫瘤突變負荷（TMB）
-拷貝數改變（FCNA）
-HLA-I進化分化（HED）
-雜合性損失（LOH）
-HLA-I狀態
-微衛星不穩定狀態（MSI）
-體質指數（BMI）
-性別
-中性粒細胞-淋巴細胞比值（NLR）
-腫瘤分期
-免疫治療藥物
-年齡
-癌症類型
-免疫治療前是否接受化療
-白蛋白、血小板、血紅蛋白（HGB）水平
按癌症類型，數據集隨機分為訓練集（80%，n=1184）和測試集（20%，n=295），通過開發的預測算法，對訓練分類器進行評估。研究者們對測試的訓練集數據進行了五倍交叉驗證，獲得基於二元分類（有應答和無應答）的免疫治療反應預測模型。
模型納入的數據來自紀念斯隆凱特琳癌症中心（MSKCC），包括16種不同癌症類型，共1479例患者的完整臨床、腫瘤和測序數據。
-約37%的患者屬於非小細胞肺癌（NSCLC）。
-13%的患者屬於黑色素瘤。
-50%的患者屬於其他癌症類型（以下簡稱「其他癌症」），包括腎細胞癌、膀胱癌、頭頸部腫瘤和結直腸癌。
這些患者接受了PD-1/PD-L1抑制劑、CTLA-4阻斷劑或兩種免疫治療藥物的聯合治療。經過分析：
-409例癌症患者對免疫治療有應答。
-1070例不同癌症患者對免疫治療沒有應答。
通過機器學習模型，研究者們可以量化生物特徵，有助於解釋患者間免疫抑制劑治療應答的差異。個體水平上，研究者可根據每個患者的應答概率對其進行評分（分值越高，代表對免疫抑制劑治療應答的概率越高）。
- 腫瘤突變負荷（TMB）是占權重最大的預測因子，這一結果與多個獨立研究的數據一致。
-化療史對ICB反應的影響與TMB相似。
-值得注意的是，該模型並沒有將MSI狀態作為權重較高的預測因子，可能是因為它與TMB有很強的相關性。
-研究者們量化了白蛋白、HGB和血小板水平對治療應答的相對影響。眾所周知，血液中的生物標誌物可反映腫瘤促進炎症程度，作為腫瘤微環境的重要組成，具有促進血管生成、轉移和免疫抑制的功能。
-但有趣的是，放療與免疫治療結合，有一定的「增敏」作用。
機器學習模型性能
研究者試圖從多個維度系統評估臨床-基因組學模型的性能。為系統評估癌症類型、患者在免疫治療前是否接受化療和血液標誌物（白蛋白、HGB和血小板）與其他影響免疫治療反應的變量的預測能力，研究者們開發了第二個隨機森林模型（以下簡稱RF11），此模型僅包括變量FCNA、TMB、HED、NLR、NLR、BMI、LOH、性別、年齡、MSI狀態、腫瘤分期和藥物類別。RF11用於確定沒有被廣泛用於預測免疫治療響應的特徵變量的價值。由於TMB已被FDA批准作為預測ICB在實體腫瘤中的有效的生物標誌物，研究者還將集成的RF16和RF11模型與單獨基於TMB的預測進行了比較。
為評估RF16、RF11、 TMB的預測性能，研究者們計算了各模型的ROC和AUC。與TMB和RF11模型相比，RF16模型在預測有應答者和無應答者方面具有更優的性能：訓練集-（泛癌種AUC：RF16為0.85，RF11為0.79，TMB為0.62），測試集-（泛癌種AUC：RF16為0.79，RF11為0.71，TMB為0.63）。研究者還證實，無論在訓練集和測試集中，RF16模型的AUC都高於TMB和RF11。
RF16的任何特徵因子的性能都不能達到RF16的性能水平，表明多個特徵的非線性組合對系統預測性能有不同程度的影響。在不同癌症類型中，有應答者和無應答者之間的應答概率有差異。
為對比RF16和TMB單獨預測有應答者和無應答者的性能，研究者們使用≥10mut/Mb作為TMB的臨界值，該指標已被FDA批准用於指導帕博利珠單抗免疫治療。研究者們發現，對比敏感性、特異性、準確性、陽性預測值（PPV）和陰性預測值（NPV），與單獨TMB相比，RF16模型自始至終都具有更高的預測性能。
綜上所述，RF16機器學習模型可高度精準地預測患者對ICB治療的應答。
機器學習模型預測多種癌症患者的OS和PFS
為了測試研究者開發的機器學習模型是否可預測免疫治療前的總生存期（OS），研究者們使用Brier評分，通過計算觀察到的OS和預測的OS之間的誤差，量化預測的準確性。對比發現，RF16的預測結果比單獨的TMB模型、RF11的預測誤差更小。此外，研究者們發現，與對照組中被歸類為無反應的患者相比，RF16模型預測得到的免疫治療反應者與更長的OS顯著相關。
RF16對無進展生存期（PFS）的精準預測明顯高於單獨使用TMB。不同癌症類型中，RF16預測的有應答者和無應答者之間的PFS差異大於單獨的TMB。
總之，數據表明，該機器學習方法可在免疫治療前精準地預測癌症患者ICB反應、OS和PFS。此外，該研究結果表明，精準預測ICB應答需要一個系統模型，模型中包括遺傳信息（胚系和體細胞變異）、臨床和人口統計學特徵因子，以及反映患者整體健康狀況的血液指標。
但是，該模型的一個局限是，研究者們沒有用到轉錄組數據、腫瘤PD-L1免疫組化數據，而這些是評估腫瘤免疫微環境的重要信息。另一個局限是，用於構建模型的患者群體規模有限，並不一定能代表全球的目標人群，因此還需要基於臨床試驗，對大人群患者隊列進一步驗證，以便獲得更精準的模型性能。
研究者們預計，隨著腫瘤分子生物學數據的可及性，未來的前瞻性臨床試驗，有望通過機器學習實現患者精準分層。具體來說，腫瘤免疫微環境的分子特徵；微生物組信息；T細胞受體多樣性；腫瘤特定基因組改變，如DNA損傷應答和修復相關基因的突變、與ICB耐藥性相關突變；轉錄組數據的加入，有助於進一步提高預測性能。研究者認為，未來定量的機器學習模型將在腫瘤精準免疫領域，對改善患者預後具有重要的意義。
參考資料
Chowell, D., Yoo, SK., Valero, C. et al. Improved prediction of immune checkpoint blockade efficacy across multiple cancer types. Nat Biotechnol 40, 499–506 (2022). https://doi.org/10.1038/s41587-021-01070-8.