撰文 | Qi

在精準醫學時代，預測性生物標志物的發現對于優化治療方案和提高患者生存率至關重要。傳統的生物標志物研究主要依賴預后性標志物，即能夠預測疾病總體進展的指標，但這些標志物無法區分患者對不同治療的反應。相比之下，預測性生物標志物能夠識別哪些患者更可能從特定治療中獲益，從而為個體化治療提供科學依據。然而，預測性生物標志物的發現面臨巨大挑戰，原因之一在于現代臨床試驗中，每位患者可能涉及數萬個臨床和基因組測量數據，如何從這些高維數據中提取有效的預測信號成為關鍵問題。

2025年4月17日，來自阿斯利康公司的Etai Jacob團隊在Cancer Cell雜志上發表了文章AI-driven predictive biomarker discovery with contrastive learning to improve clinical trial outcomes，他們開發了一種基于神經網絡的對比學習框架——預測性生物標志物建模框架（PBMF），用于在復雜的臨床和基因組數據中發現預測性生物標志物。PBMF通過對比不同治療組的患者反應，優化預測信號，并在多個真實世界和臨床試驗數據集中驗證其性能，為精準醫學提供了強大的工具，有望優化臨床試驗設計并改善患者治療效果。

PBMF的核心思想是通過對比學習來區分不同治療組的患者反應。簡而言之，先輸入患者的臨床和基因組特征、治療分組（免疫治療或化療）和生存時間等數據， 采用全連接神經網絡，輸出每個患者的生物標志物評分（B+或B-），最大化治療組中B+和B-患者的生存差異的同時最小化對照組中的差異，以確定和優化預測性生物標志物。隨后，該團隊在包含多種癌癥和非癌癥適應癥的真實臨床數據集中驗證了PBMF的性能，例如PBMF能成功識別乳腺癌患者接受激素治療+化療的預測性標志物，在Tempus NSCLC隊列中，PBMF也能在免疫治療組中識別出高響應患者。

為了便于臨床轉化，PBMF將復雜的神經網絡模型轉化為簡單的決策樹，例如在POSEIDON 3期試驗【1】中，決策樹顯示低腫瘤相關巨噬細胞（TAM）或高B細胞特征的患者對免疫治療反應更好，在Tempus數據中，低E2F信號或高IFN-γ反應的患者獲益顯著，也就是說決策樹模型使生物標志物更易于臨床解讀。

隨后，該團隊利用PBMF分析了POPLAR（II期）和OAK（III期）試驗的數據，僅使用II期數據，PBMF成功預測了III期試驗中的響應患者，識別出的生物標志物（如KMT2D突變、ctDNA負荷）使患者生存風險降低15%，相比之下，傳統方法（如TMB）的預測效果較差。

綜上，這項工作證明PBMF作為一種AI驅動框架，在鑒定預測性生物標志物中表現出色，比如能高效地從高維數據中自動提取預測信號，適用于多種治療方式和疾病類型，包括免疫治療、化療等，還可以通過決策樹模型生成易于被臨床解讀的生物標志物規則。未來，PBMF可進一步整合多模態數據（如影像學、蛋白質組學），并用于虛擬臨床試驗設計，加速藥物開發進程。

https://doi.org/10.1016/j.ccell.2025.03.029

制版人：十一

參考文獻

1. Johnson, M.L., Cho, B.C., Luft, A., Alatorre-Alexander, J., Geater, S.L., Laktionov, K., Kim, S.W., Ursol, G., Hussein, M., Lim, F.L., et al. (2023). Durvalumab With or Without Tremelimumab in Combination With Chemotherapy as First-Line Therapy for Metastatic Non-Small-Cell Lung Cancer: The Phase III POSEIDON Study.J. Clin. Oncol.41, 1213– 1227. https://doi.org/10.1200/JCO.22.00975.

BioArt

Med

Plants

人才招聘

會議資訊

學術合作組織

（*排名不分先后）

戰略合作伙伴

（*排名不分先后）

轉載須知

【原創文章】BioArtMED原創文章，歡迎個人轉發分享，未經允許禁止轉載，所刊登的所有作品的著作權均為BioArtMED所擁有。BioArtMED保留所有法定權利，違者必究。。