社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

Med | 循环Temra细胞的"分子指纹",同济大学陈昶等利用机器学习模型解锁其预测免疫治疗响应的潜力

iNature • 8 月前 • 273 次点击  

iNature

虽然免疫疗法已经改变了癌症的治疗模式,但持续反应率仍低于30%。目前可用的生物标志物不足以进行精确的患者分层。基于血液的生物标记物作为微创和可获得的工具,因其动态监测免疫检查点抑制剂反应的潜力而受到关注。

2026年2月25日,同济大学陈昶、Wu Junqi、Xu Long、温家梁、北京百奥智汇科技有限公司Hu Xueda共同通讯在 Med 在线发表题为“A machine learning model integrating circulating Temra cell transcriptional profiles to predict immunotherapy efficacy”的研究论文。该研究建立了一种基于机器学习的泛癌血液来源转录组生物标志物,并在NSCLC队列中进行了前瞻性验证,可能显著改善免疫肿瘤学的临床决策。

靶向PD-1/PD-L1轴的免疫检查点抑制剂(ICIs)已经改变了癌症治疗;然而,不到30%的患者实现了持久或完全的临床反应。这凸显了对强有力的预测性生物标志物的迫切需求,以识别最有可能受益于ICIs的患者。尽管PD-L1表达和肿瘤突变负荷(TMB)已被广泛研究,但它们的预测性能仍不一致。例如,OAK试验表明,与多西他赛相比,在以前治疗的非小细胞肺癌(非小细胞肺癌)中,无论PD-L1状态如何,atezolizumab改善了总生存期(OS)。同样,KEYNOTE-407试验发现,TMB并未预测一线pembrolizumab联合化疗比单独化疗在转移性鳞状细胞癌中的益处。

最近的研究表明,来自肿瘤微环境(TME)的生物标志物,特别是那些反映T细胞浸润和活性的生物标志物,可能提供更大的预测价值。例如,18基因T细胞炎症基因表达谱(TcellinfGEP)在生物标志物驱动的2期试验中证明了应答者的优越分层。然而,TME在免疫细胞组成和功能状态方面高度异质性,这可能会大大混淆基于TME的生物标志物的性能和可推广性。

机理模式图(图源自Med )
该研究发现循环Temra细胞是与各种癌症的治疗效果相关的关键免疫效应物。该研究通过描绘Temra基因表达模式,开发了一个强大的机器学习模型,能够使用常规血液样本预测患者的反应。该模型在一个前瞻性、多中心非小细胞肺癌队列中得到验证,为免疫治疗决策提供了一个可行且侵入性较小的策略。这些发现有助于在临床环境中推进个性化癌症治疗。

参考消息:

https://www.cell.com/med/abstract/S2666-6340(26)00030-9

—END—

内容为【iNature】公众号原创,

转载请写明来源于【iNature】


微信加群


iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群(16个PI群及64个博士群),同时更具专业专门组建了相关专业群(植物,免疫,细胞,微生物,基因编辑,神经,化学,物理,心血管,肿瘤等群)。温馨提示:进群请备注一下(格式如学校+专业+姓名,如果是PI/教授,请注明是PI/教授,否则就直接 默认为在读博士,谢谢)。可以先加小编微信号(love_iNature),或者是长按二维码,添加小编,之后再进相关的群,非诚勿扰。



投稿、合作、转载授权事宜

请联系微信ID:Love_iNatures


觉得本文好看,请点这里!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/193363