使用QSP模型生成免疫基因组数据引导的虚拟患者,以预测晚期NSCLC对PD-L1抑制的反应

科学领域:

• 计算生物学 计算生物学
• 免疫学 免疫学 免疫学
• 药理学 药理学是指药理学的学科.

背景情况:

• 量化系统药理 (QSP) 模型对于理解药物开发中的复杂生物系统至关重要.
• 从有限的数据中生成现实的虚拟患者在免疫瘤学中是一个重大挑战.
• 以前的癌症免疫循环的QSP模型需要适应特定的癌症类型,如非小细胞肺癌 (NSCLC).

研究的目的:

• 参数化NSCLC癌症免疫周期的QSP模型.
• 为预测对PD-L1抑制的临床反应生成虚拟患者队列.
• 评估免疫基因组和药物动力学数据在虚拟患者生成中的有用性.

主要方法:

• 参数化了以前发表的癌症免疫循环的QSP模型,以NSCLC.
• 使用来自iAtlas门户的免疫基因组数据生成了一个虚拟患者队列.
• 纳入了PD-L1抑制剂杜尔瓦卢马布 (durvalumab) 的种群药动力学数据.

主要成果:

• 该QSP模型预测,在虚拟NSCLC患者中,PD-L1抑制的响应率为18.6%.
• 确定了CD8/Treg比率作为潜在的预测生物标志物,除了PD-L1表达和瘤突变负担之外.
• 在免疫瘤学中证明了omics数据用于虚拟患者生成的可靠性.

结论:

• 用现实数据参数化的QSP模型可以有效地生成虚拟患者队列,用于药物反应预测.
• 在免疫瘤学中,Omics数据是推进虚拟患者生成技术的宝贵资源.
• 该研究强调了CD8/Treg比率作为NSCLC中PD-L1抑制治疗的预测生物标志物的潜力.