在黑色素瘤患者中预测抗PD-1免疫检查点阻塞反应,使用空间感知机器学习模型
Alyssa Pybus1, Raphael Kirchgaessner1,2, Jonathan Nguyen3
1Department of Machine Learning, H. Lee Moffitt Cancer Center & Research Institute, Tampa, FL, USA.
NPJ precision oncology
|January 12, 2026
概括
在晚期黑色素瘤中,准确预测对抗PD1免疫检查点阻塞 (ICB) 治疗的反应至关重要. 整合空间蛋白质组学数据的机器学习模型成功预测了12名患者中的11名患者的ICB反应.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 鉴定可能对抗PD1免疫检查点阻塞 (ICB) 治疗有反应的晚期黑色素瘤患者至关重要,因为只有30-40%的人获得显著的益处.
- 目前针对黑色素瘤抗PD1ICB治疗的预测生物标志物有限,需要新的方法.
研究的目的:
- 开发和验证机器学习 (ML) 模型,以使用单细胞空间蛋白质学预测患者对抗PD1 ICB治疗的反应.
- 确定瘤微环境中的关键分子和细胞特征,与抗PD1 ICB反应相关.
主要方法:
- 在12名晚期黑色素瘤患者的队列中应用单细胞空间蛋白质组学.
- 综合统计和机器学习 (ML) 方法,包括反复的细胞邻里分析.
- 评估的预测性能使用接收器运行特征曲线下的区域 (ROC AUC).
主要成果:
- 结合多个分子特征的ML模型准确地预测了12名患者中11名患者的抗PD1ICB反应.
- 特定的瘤透淋巴细胞,免疫细胞组成和氧化合成酶水平被确定为重要的预测特征.
- 在免疫丰富区域内,使用所有分子特征,包括空间关系,实现了最佳预测 (ROC AUC为0.76).
结论:
- 使用空间蛋白质组学数据的机器学习模型可以准确地预测晚期黑色素瘤中抗PD1 ICB治疗反应.
- 整合多原子空间数据,特别是细胞空间关系和免疫微环境组成,可以提高预测准确度.
- 这种方法证明了针对接受免疫治疗的晚期黑色素瘤患者个性化治疗选择的可行性.
