预测生物标志物验证CD3+细胞化产量在CAR-T制造中用于扩散大B细胞淋巴瘤:一种机器学习方法
Diego Carbonell1,2, Alejandra Rodríguez-Sosa3, Leticia Gómez-Serrano4,5
1Department of Hematology, Gregorio Marañón General University Hospital, Madrid, Spain. diegocarbonell3@gmail.com.
Scientific reports
|November 29, 2025
概括
机器学习模型确定了影响CAR T细胞治疗扩散大B细胞淋巴瘤患者CD3+T细胞非热产量的关键因素. 了解这些预测因素,如NK细胞百分比,可以优化细胞收集,以获得更好的治疗结果.
科学领域:
- 免疫治疗是一种免疫疗法.
- 血液学 血液学 血液学
- 机器学习在医学中的应用
背景情况:
- 化学抗原受体 (CAR) T细胞疗法对扩散性大B细胞淋巴瘤 (DLBCL) 有希望.
- 成功的CAR T细胞疗法依赖于充分的自主CD3+T细胞产量.
- 影响CD3+T细胞化效率的因素尚不清楚.
研究的目的:
- 在DLBCL患者中使用机器学习识别CD3+T细胞非产量的关键预测因子.
- 增强对影响成功采集T细胞用于CAR T细胞治疗的因素的理解.
主要方法:
- 采用了三种机器学习算法:随机森林分类器 (RF),后勤回归 (LR) 和极端梯度增强 (XGBoost).
- 分析了从98名DLBCL患者的队列中获取的数据,这些患者接受了单核细胞 (MNC) 缩.
- 利用后勤回归来建模临床预测因素并确定重要因素.
主要成果:
- 后勤回归模型实现了曲线下的面积 (AUC) 为0.824.
- 鉴定了CD3+T细胞非产量的四个关键预测特征:CD3+细胞绝对计数,NK细胞百分比,总血液体积和CD3+细胞百分比.
- 发现NK细胞的百分比和CD3+细胞的绝对数量对表产量产生了最显著的负面影响.
结论:
- 机器学习提供了一种强大的方法来分析复杂的临床数据,并识别异位产量预测因素.
- 通过了解这些因素来优化CD3+T细胞分离,可以提高DLBCL中CART细胞治疗的疗效.
- 这项研究强调了ML在完善免疫治疗细胞采集策略方面的潜力.
