。
《NEJM医学前沿》周一【肿瘤深度观察】栏目就临床肿瘤学热点问题，梳理《新英格兰医学杂志》等顶级杂志近期论文，综述前沿进展，洞见未来方向。
获得FDA批准的生物标志物
PD-L1表达。通过免疫组化（IHC）评估PD-L1表达水平，得出的结果是肿瘤比例评分（TPS），即存活肿瘤细胞中任何强度的部分或完全膜染色肿瘤细胞百分比。在临床试验中，该检测作为帕博利珠单抗治疗晚期非小细胞肺癌（NSCLC）的辅助诊断检测。如果样本TPS≥1%，则认为有PD-L1表达；TPS≥50%认为PD-L1高表达。在最初的1期试验（KEYNOTE-001）中，PD-L1 TPS>50%的亚组患者使用帕博利珠单抗的应答率为45.2%，而无论TPS如何，所有接受这种免疫检查点抑制剂（ICI）治疗患者的应答率为19.4%。后续的2/3期试验（KEYNOTE-024）将PD-L1 TPS>50%的患者随机分配接受帕博利珠单抗与标准化疗，结果表明，接受帕博利珠单抗治疗患者的总生存期（OS）显著改善。
然而，PD-L1预测ICI应答的应用受到多种有限。首先，不同癌症类型的最佳阈值不同。例如，胃癌和食管癌、膀胱癌及肺癌患者的肿瘤PD-L1表达分别为1%、10%和50%时，即可使用帕博利珠单抗。其次，评估PD-L1表达的细胞群因癌症类型而异。例如，头颈部复发性或转移性鳞状细胞癌的治疗选择采用另一种经FDA批准的检测方法，即综合阳性评分（CPS）。第三，多种癌症PD-L1表达与ICI应答之间几乎没有相关性，表明肿瘤背景可能是ICI预测性生物标志物的关键因素。例如，根据CheckMate-067试验结果，在黑色素瘤中PD-L1表达阴性预测值仅为45%。最后，多项研究发现，在单个患者不同肿瘤病灶，甚至同一肿瘤内，PD-L1表达不一致。总之，尽管最初NSCLC临床试验促使人们将PD-L1表达作为一种可能的预测性生物标志物进行研究，但其在不同癌症类型中的临床效用仍不明确。
肿瘤突变负荷。肿瘤突变负荷（TMB）已被用作肿瘤免疫原性的替代指标。根据KEYNOTE-158临床试验结果，在接受帕博利珠单抗治疗的10种晚期实体瘤类型中，每兆碱基至少有10个突变（TMB高）患者的应答率高于TMB低的肿瘤患者。值得注意的是，在这项研究中，TMB是PFS的预测因子，但无法预测OS。
免疫疗法应答主要由T细胞识别新抗原驱动。与较高TMB相关的免疫原性也取决于多种因素，包括肿瘤呈递的肿瘤新抗原；免疫系统识别肿瘤新抗原；宿主启动抗原特异性反应的能力。例如，有数据表明，部分免疫细胞浸润最高的肿瘤实际上可能存在抑制性调节T细胞（Treg）克隆扩增。此外，TMB范围可能不同于TMB新抗原潜力，因为突变的确切位点也起着相当大的作用；介导抗原呈递不同途径的突变会影响新抗原向免疫系统的呈递（或不呈递），这表明肿瘤内在特征和免疫学特征必须一致才能产生最佳ICI应答。
目前，TMB通过下一代测序（NGS）进行测量，不同机构（内部）或所使用的商业平台会有所不同。NGS包括全外显子组测序（WES）、全基因组测序和靶向测序，可从肿瘤组织和循环肿瘤DNA（ctDNA）中获得。值得注意的是，不同肿瘤类型的TMB范围很大，免疫原性肿瘤（如黑色素瘤、NSCLC和鳞状细胞癌）的TMB水平最高。同样，针对不同肿瘤类型设计的检测方法对TMB临界值定义也不尽相同，在对NSCLC、黑色素瘤、尿路上皮癌和小细胞肺癌研究中，这些检测方法采用了不同的分析方法（例如，对特定数量的相关基因进行WES或PCR检测）和阈值（TMB高或TMB低）。
微卫星高度不稳定。微卫星高度不稳定（MSI-H）作为ICI应答的泛癌种生物标志物，在多种癌症中预测ICI疗效的性能出色。MSI-H是错配修复缺陷（dMMR）的结果，导致高突变率，尤其是在微卫星区域，从而产生大量新抗原，最终引发克隆性免疫应答。由于dMMR导致的高突变负荷，MSI-H肿瘤可以视为一种高突变负荷（TMB）肿瘤。根据KEYNOTE-164和KEYNOTE-158临床试验结果，FDA批准了帕博利珠单抗用于治疗MSI-H或dMMR肿瘤。这是FDA首次批准的由肿瘤生物学而非组织学驱动的泛癌种药物之一。
尽管取得显著成功，但使用MSI状态也存在需要注意的问题。例如，高达50%的dMMR结直肠癌患者对ICI治疗无应答，这凸显其他特征在预测应答方面的重要性。目前的检测平台无法评估的其他肿瘤内在特征可能是诱因。例如，有报道称，DNA区域中编码聚合酶δ（POLD）或聚合酶ε（POLE）重要催化亚基基因突变的患者，其肿瘤缺乏复制保真度，表现出“超突变”表型。其中一些肿瘤的微卫星不稳定性显著增加（因此属于MSI-H），但错配修复蛋白并不缺乏（因此不是dMMR）。
此外，与TMB类似，MSI-H也会受到微卫星不稳定性产生的新抗原类型、宿主识别新抗原类型以及宿主免疫系统反应能力的影响。即使在MSI-H型肿瘤中，也有大量单核苷酸突变被鉴定为“乘客”突变（非驱动突变）。因此，仅凭肿瘤中鉴定出的微卫星数量是不够的；实际的突变类型（通过特定的突变谱鉴定出）可以提高这种生物标志物的预测效果。此外，只有一小部分癌症患者属于MSI-H肿瘤，这表明目前需要更广泛适用的生物标志物。因此，确定其他有效的生物标志物预测疗效和指导患者管理仍是一个研究重要领域。
基于组织的生物标志物研究
鉴于ICI作用机制是逆转免疫细胞抑制，而非直接靶向肿瘤细胞内在通路，因此，进一步研究应集中在系统分析肿瘤生长环境以及肿瘤细胞与免疫细胞相互作用上，这可能有助于阐明影响ICI应答的因素。许多研究小组已经对特定组织类型的肿瘤或免疫特征进行了研究，例如肿瘤和免疫基因突变特征、肿瘤抗原呈递缺失或多细胞免疫中枢或聚集（如三级淋巴结构），这些特征可以预测对免疫疗法的应答。
研究者们使用NGS对ICI治疗前后患者组织的肿瘤和免疫外显子组和转录组测序，并进行了空间成像分析。通过采用多重综合模型，结合单细胞测序和空间成像等技术或多组学模型，从而提高了对ICI治疗结局的预测能力。此外，评估肿瘤免疫信号和肿瘤内在特征的综合方法也显示出更强的预测能力。例如，同时测量肿瘤和免疫特征的综合批量测序方法优于单一分析变量。这些结果突显出以综合方式更广泛地模拟ICI疗效的必要性，包括将宿主免疫能力、肿瘤内在特征和肿瘤免疫成分的评估结果纳入个体患者中，以更好地预测哪些患者会对免疫疗法产生应答。
鉴于在生物标志物研究中纳入肿瘤和宿主因素的复杂性，以及可能需要纵向整合免疫微环境特征，人们开始利用计算机建模和机器学习以探索生物标志物。目前，该领域出现了一些开创性研究成果，预示着机器学习辅助下个体化肿瘤学的未来。
基于组织的生物标志物面临的挑战
分析方法的局限性。部分有意义的生物标志物在某些肿瘤类型中表现出色，但在其他肿瘤类型中却未必如此。虽然肿瘤特异性基因特征比TMB等预测能力更强，但它们并不能用于所有肿瘤的诊断。在一项针对NSCLC患者的研究中，基因突变特征比高TMB（≥10）更能预测ICI疗效，但一半以上患者未能检测到基因突变特征。
肿瘤异质性。基于组织的生物标志物方法仅在单个肿瘤部位取样，这意味着对特定肿瘤部分的评估可能无法准确反映患者所有肿瘤的整体表达情况。例如，研究已发现PD-L1表达在肿瘤间和肿瘤内存在异质性，其他组织标志物也存在类似的问题。
鉴于生物系统的复杂性，许多以前使用的组织生物标志物可能过于简单化。此外，肿瘤微环境（TME）中的细胞通常是流动的，因此空间分析中显示的相互作用可能并不代表肿瘤细胞和免疫细胞之间的真实相互作用。即使生物标志物能够在特定时间点理想地代表整个肿瘤环境，这些靶点也是可诱导的，并随着时间推移而动态变化，这表明单一时间点的“快照”可能无法很好地代表动态变化。
患者异质性。即使检测到与ICI耐药相关的已知基因改变，部分携带已知耐药生物标志物的患者仍可能获益，可能归因于肿瘤内部及不同肿瘤部位的分子和/或免疫异质性。例如，β2-微球蛋白（B2M）缺失可能预示新的或获得性耐药，但由于个体间和肿瘤内B2M缺失的异质性以及这些患者免疫识别替代机制的相互作用，B2M缺失未必能强烈预测个体的耐药性。因此，尽管存在B2M缺失，患者仍可能从ICI疗法获益。
生物标志物表达可能会随着时间推移和治疗影响而发生变化。对肿瘤和免疫生物学进行静态、单一评估可能会遗漏这些变化，而且肿瘤TME和宿主免疫反应水平变化也可能会遗漏。多项研究表明，获取治疗前和治疗中样本能更准确地识别与ICI治疗相关的变化。这突显了动态生物标志物评估的重要性。
血液分析的优势在于能够对个体所有肿瘤病灶进行生物评估，反映了平均读数而非特定部位的读数，因此特别适合评估与治疗相关的动态变化。众多研究结果显示，利用循环肿瘤DNA（ctDNA）或循环肿瘤细胞（CTC）评估微小残留病（MRD）可以指导治疗决策，但这些检测对于预测患者能否从ICI等免疫疗法中获益的信息有限。因此，ctDNA检测需要与衡量免疫激活或宿主免疫能力的其他方法相结合。在这方面，外周血单核细胞（PBMC）免疫分型以及细胞外囊泡和血浆蛋白质组学分析取得了进展。例如，外周免疫细胞亚型（如CD8+ T 细胞）、免疫检查点分子的高表达（如外周 CD8+ T细胞上的PD1）、以及血浆中的各种蛋白质（如CXCL8、CXCL10、IL-6、IL-10、PRAP1和VEGFA）水平升高，都可能作为ctDNA动态辅助生物标志物的有效补充。这些新方法的优势在于它们在评估肿瘤内部变化同时（类似于ctDNA检测到的变化），还可能揭示患者免疫系统的变化。
影像数据预测因子能够有效地克服组织生物标志物取样活检的局限性，可以在任何时间点观察整个肿瘤以及可能的其他转移部位，因此在未来可能成为无创动态生物标志物的重要部分。δ-放射组学能够定量计算多个肿瘤特征（如肿瘤大小）在不同时间点的变化，例如在ICI治疗前后、治疗期间及后续随访时的变化。δ-放射组学不仅可以预测早期治疗的初始应答或无应答，还能实时识别ICI的获得性耐药性，并监测完全缓解后的任何复发。而通过机器学习技术开发的影像学模型在预测治疗应答及可能的不良事件方面，甚至优于传统的RECIST标准。目前的研究表明，这些放射组学模型在预测免疫疗法应答时的曲线下面积（AUC）高达0.8~0.92。
放射组学的另一个优势在于其能够准确识别假性进展。通过机器学习构建的放射组学模型通过再次测量每个肿瘤的CT或PET数据，包括形状、强度和质地等因素，可有效区分真实进展和假性进展，其AUC为0.79。这些放射组学模型未来可能用于避免由于误判断为疾病进展而过早终止治疗。
肠道微生物群生物标志物有望预测ICI的治疗应答。大量研究显示，特定的肠道微生物群与多种癌症类型对ICI治疗的反应密切相关。例如，在黑色素瘤和肝癌患者中，Ruminococcaceae科细菌的丰度与PD-1免疫疗法应答相关。而Akkermansia muciniphila富集则常见于肝癌、肺癌或肾细胞癌患者中，这些患者对ICI治疗应答良好。
此外，新型机器学习模型能够独立于肿瘤类型，将特定的肠道细菌属与免疫疗法的治疗应答相关联。其他研究还揭示了单个细菌类群在调节宿主免疫系统中扮演的特定角色，这些研究进一步探索如何防止或促进癌细胞的免疫逃逸。
对肿瘤生物学进行动态评估可以指导后续的临床治疗策略。新辅助治疗试验可通过手术标本中的病理缓解评估疗效。在黑色素瘤治疗中，主要病理缓解（MPR）与无复发生存率相关。而在 PRADO 试验中，研究者根据患者特异性病理缓解数据来确定下一步的临床干预措施，如手术和/或辅助治疗。
在多种癌症类型中，数种新辅助治疗方案仍缺乏头对头比较，因此，选择免疫单一疗法还是联合疗法，常由主治医生和患者共同决策。目前，研究人员开发了一个包含10个基因的干扰素-γ（IFNγ）特征作为预测黑色素瘤新辅助治疗后病理缓解的生物标志物。他们进一步将这些特征整合到一个算法中，以选择对新辅助治疗应答较强或较弱的患者。在一项名为DONIMI的后续研究中，研究人员根据这一评分并结合更复杂的分析，不仅用于预测治疗应答，还用于确定哪些Ⅲ期黑色素瘤患者需要增加组蛋白去乙酰化酶抑制剂（HDACi）从而增强对新辅助ICI治疗的应答。
体外肿瘤模型具有预测患者特异应答的潜力。与用于血液恶性肿瘤药物反应谱分析的体外平台不同，实体瘤由于其独特的肿瘤微结构和肿瘤-免疫相互作用而面临更大的挑战，简单的肿瘤细胞培养无法轻易复制这些复杂特征。在这种情况下，源自患者的肿瘤类器官或器官芯片能够弥补这些结构上的限制，因为它们能够保留原有的肿瘤细胞结构，并模拟与淋巴和髓系免疫细胞的相互作用，以患者特异性的方式评估ICI应答，从而在更真实的三维环境中更精确地再现生物学特征。
中美两国有数项突破性研究采用了这种新型高保真三维体外肿瘤模型，其结果显示，这些模型可以有效预测肺癌、结肠癌、乳腺癌和黑色素瘤等多种肿瘤对ICI的反应。这为进一步验证和标准化这些模型的预测效果奠定了基础。
参考文献
版权信息
本文由《NEJM医学前沿》编辑部负责翻译、编写或约稿。对于源自NEJM集团旗下英文产品的翻译和编写文章，内容请以英文原版为准。中译全文以及所含图表等，由马萨诸塞州医学会NEJM集团独家授权。如需转载，请联系nejmqianyan@nejmqianyan.cn。未经授权的翻译是侵权行为，版权方保留追究法律责任的权利。
点击下方名片，关注《NEJM医学前沿》
