相关实验视频
Updated: Jun 19, 2026
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.4K
在NSCLC中预测免疫检查点抑制剂反应的综合多组学方法 - 从基因组学,蛋白质组学和代谢学的见解
Eman Elayeh1, Shereen M Aleidi1,2, Orwa Aboud3,4,5
1Department of Biopharmaceutics and Clinical Pharmacy, School of Pharmacy, The University of Jordan, Amman, 11942, Jordan.
Lung Cancer (Auckland, N.Z.)
|December 22, 2025
概括
整合多omics数据改善了在非小细胞肺癌 (NSCLC) 中免疫检查点抑制剂 (ICI) 疗效的预测. 多原子生物标志物提供了更好的患者分层和指导ICI治疗NSCLC的潜力.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 基因组学就是基因组学.
- 蛋白质组学是指蛋白质组学.
- 代谢学 代谢学 代谢学
背景情况:
- 免疫检查点抑制剂 (ICI) 已经推进了非小细胞肺癌 (NSCLC) 治疗.
- 对ICI的持久反应仅限于NSCLC患者的一个子集.
- 预测性生物标志物对于优化NSCLC中的ICI治疗至关重要.
研究的目的:
- 审查多项omics研究,以预测ICI在NSCLC中的疗效.
- 评估如何整合基因组,蛋白质组和代谢组数据可以提高预测.
- 在NSCLC中确定可靠的ICI反应生物标志物.
主要方法:
- 在PubMed,ClinicalTrials.gov和谷歌学者 (2016-2025) 的系统文献搜索.
- 包括33个基因组,9个蛋白质组和9个代谢组研究.
- 使用标准化证据标签评估的研究.
主要成果:
- 低反应的基因组预测因素包括EGFR/ALK/RET/ROS1融合和KRAS与STK11/KEAP1/SMARCA4.1的共同突变.
- 有利的预测因素包括KRAS/TP53共同突变,NOTCH变异和与免疫热签名相关的BRAF V600E.
- 像CXCL9/10和检查点蛋白等蛋白质标记物预测反应;急性阶段蛋白质表明耐药性.
- 代谢概况链接有利于托/丁/短链脂肪酸; 抵抗 IDO 途径活动.
结论:
- 多omics数据汇聚在抗原性,干扰素信号传递和免疫代谢交叉通路上.
- 大多数已识别的生物标志物需要在大型队列中进行前性验证.
- 整合性策略,特别是人工智能,可以改进NSCLC患者的分层,用于ICI治疗.
