基于等离子体蛋白质组的测试用于在转移性非小细胞肺癌中进行一线治疗选择

科学领域:

• 在瘤学瘤学.
• 蛋白质组学是指蛋白质组学.
• 机器学习 机器学习

背景情况:

• 目前的转移性非小细胞肺癌 (NSCLC) 治疗依赖PD-1/PD-L1抑制剂,通常是化疗,但忽视了个体患者的变化和免疫因素.
• 这种通用方法可以导致缺乏驱动突变的NSCLC患者的非最佳结果.

研究的目的:

• 开发和验证一种机器学习算法,利用预处理等离子体蛋白质组形状,用于转移性NSCLC的个性化治疗选择.
• 通过结合个体患者数据来解决当前指南的局限性,以便更精确的治疗决策.

主要方法:

• 一项多中心观察性试验包括540名接受PD-1/PD-L1抑制剂治疗的患者和85名接受化疗的患者.
• 预处理等离子体蛋白质组分析使用SomaScan Assay v4.1.1.进行.
• 开发了一种机器学习算法,并使用这些蛋白质组数据盲目验证.

主要成果:

• 开发的PROphet测试显示了PD-1/PD-L1抑制剂治疗预测和观察到的临床益处 (R2 = 0.98,P < .001) 之间的高度一致性.
• 普罗菲特将患者分为普罗菲特阳性或普罗菲特阴性,分层结果超出PD-L1表达.
• 具有高PD-L1 (≥50%) 的PROphet阴性患者在组合治疗 (化疗+免疫疗法) 和单独免疫疗法 (HR,0.23;P = .0003) 中的生存率有所改善.

结论:

• 基于等离子体蛋白质组的测试与PD-L1测试相结合,可以识别出不同的患者亚组,对PD-1/PD-L1抑制剂疗法有不同的反应.
• 这种个性化的方法有可能提高转移性NSCLC的第一线治疗选择精度.
• 在NSCLC管理中,PROphet测试为优化治疗决策提供了一个新的策略.