综述：超越单一生物标志物：多组学策略预测血液癌症免疫治疗结果

《Clinical and Experimental Medicine》：Beyond single biomarkers: multi-omics strategies to predict immunotherapy outcomes in blood cancers

这篇前瞻性综述系统阐述了多组学技术（基因组学、转录组学、蛋白质组学、代谢组学、空间组学和微生物组学）如何整合解码血液肿瘤免疫治疗的疗效与毒性机制。文章重点探讨了新抗原（neoantigen）景观、T细胞耗竭（T-cell exhaustion）特征、乳酸（lactate）驱动的免疫抑制等关键发现，并介绍了监督机器学习（supervised machine learning）算法构建细胞因子释放综合征（CRS）预测模型、CRISPR表位编辑（epitope editing）及数字孪生（digital twins）等前沿技术。该综述为克服免疫检查点抑制剂（ICIs）、嵌合抗原受体T细胞（CAR-T）等疗法的耐药性和毒性提供了精准免疫肿瘤学（precision immuno-oncology）的转化路线图。

　　

引言：免疫治疗时代的多组学整合需求

免疫治疗通过调动机体免疫系统识别和清除癌细胞，彻底改变了血液系统恶性肿瘤的治疗格局。从造血干细胞移植（HSCT）、化疗和放疗，到单克隆抗体（mAbs）、抗体药物偶联物（ADCs）、双特异性抗体（BsAbs）和嵌合抗原受体T细胞（CAR-T）疗法，治疗策略日益丰富。尽管CAR-T疗法在复发/难治性B细胞淋巴瘤和白血病中展现出显著疗效，但仍面临细胞因子释放综合征（CRS）、神经毒性以及反应持久性不一等挑战。免疫检查点抑制剂（ICIs）如抗PD-1和抗CTLA-4抗体，通过阻断肿瘤免疫逃逸机制，在部分血液癌症中诱导了持久的临床反应，但其益处仅限于部分患者，且可能引发免疫相关不良事件（irAEs），甚至导致超进展疾病（HPD）。患者反应的显著异质性凸显了传统单参数生物标志物（如PD-L1表达）的局限性，迫切需要能够捕捉肿瘤生物学、免疫动态和治疗反应之间复杂相互作用的整合性、系统水平方法。多组学平台（基因组学、转录组学、蛋白质组学、代谢组学、空间转录组学等）的整合，为解码免疫治疗反应性和耐药性的分子决定因素提供了强大策略。人工智能（AI），特别是机器学习（ML）的进步，为解读这些高维生物数据提供了关键工具。

组学技术在免疫治疗反应预测中的应用

基因组学：突变负荷与HLA多样性

体细胞突变产生免疫原性新抗原，使T细胞能够识别肿瘤细胞。在弥漫性大B细胞淋巴瘤（DLBCL）等血液恶性肿瘤中，高肿瘤突变负荷（TMB）与新抗原负荷增加相关，携带≥2个BCL2衍生新抗原的患者在接受免疫化疗后总生存期更差。非同义单核苷酸变异（SNVs）主导新抗原景观，但移码突变、剪接变异和基因融合等非SNV来源由于与野生型肽序列差异更大，可能产生免疫原性更强的新抗原。然而，TMB在突变率低的血液癌症（如儿童急性淋巴细胞白血病（ALL），通常每个外显子组<20个突变）中预测效用有限，且TMB与新抗原的相关性并不完美。

HLA I类进化分化（HED）量化了HLA等位基因之间的物理化学差异，可预测ICI疗效。HED高的患者（前四分之一）在ICI治疗后表现出更优的生存率，因为 divergent 等位基因呈现更多样化的免疫肽组，增强了肿瘤免疫监视。等位基因特异性关联也存在：HLA-B*44超型与慢性淋巴细胞白血病（CLL）的较长生存期相关。药物基因组学进一步揭示了毒性风险：CTLA4和PDCD1的多态性与ICI治疗期间的irAEs相关。补体途径基因（CFH, CFI）的种系变异增加了CD19-CAR-T治疗后神经毒性风险。

转录组学：免疫浸润与T细胞耗竭

反卷积算法（如CIBERSORT, xCell）可从批量RNA测序数据中量化免疫细胞亚群，描绘“热”与“冷”的肿瘤微环境（TME）。在多发性骨髓瘤中，“热”TME以CD8⁺效应T细胞和NK细胞为特征，与抗SLAMF7疗法的反应相关；而“冷”TME则富含M2巨噬细胞和调节性T细胞（Tregs），预示着耐药。单细胞RNA测序（scRNA-seq）进一步细化这些见解：经典霍奇金淋巴瘤（cHL）应答者显示CD4⁺记忆T细胞扩增，而无应答者则积累免疫抑制性CD163⁺巨噬细胞。

T细胞功能障碍的转录组学标志物（如LAG3, TIM3, TOX, NR4A）可预测CAR-T失败。在接受CD19-CAR-T治疗的DLBCL患者中，制造产品中耗竭基因的上调与较差的持久性和疾病进展相关。scRNA-seq揭示了治疗后的克隆动态：复发的急性髓系白血病（AML）患者表现出表达CTLA4和TIGIT的T细胞克隆扩增，而持续应答者则表现出干样记忆T细胞（TCF7⁺, LEF1⁺）。

蛋白质组学与代谢组学：血清蛋白与代谢重编程

细胞因子分析可预测毒性，CAR-T输注后24小时IL-6和IFN-γ升高预示严重CRS，而ANG2和sFLT1与神经毒性相关。在多发性骨髓瘤中，可溶性检查点蛋白（sPD-L1, sCTLA-4）在复发时增加，反映了TME的免疫抑制状态。高水平sPD-L1（>200 pg/mL）是daratumumab治疗后无进展生存期较差的独立预测因子。

AML骨髓微环境中的乳酸积累通过HIF-1α介导的母细胞上PD-L1上调抑制NK细胞功能，创造免疫抑制生态位。相反，精氨酸代谢决定CAR-T持久性：低血浆精氨酸水平与CAR-T收缩相关，而工程化改造精氨酸分解代谢则可能改善持久性。代谢组学研究进一步发现，CLL中琥珀酸积累是T细胞功能障碍的生物标志物，它通过抑制组蛋白去甲基化酶活性，表观遗传沉默效应基因。

表观基因组学、微生物组学与空间组学

表观遗传修饰（DNA甲基化、组蛋白修饰、染色质重塑）在调节肿瘤-免疫相互作用和免疫治疗反应中起关键作用。在DLBCL中，HLA-DR启动子区域的超甲基化与MHC II类表达降低、T细胞识别受损以及对CAR-T和ICI的耐药相关。T细胞中效应基因（如IFNG, TNF）的去甲基化与持久记忆表型相关，而这些位点的超甲基化是T细胞耗竭的标志。DNA甲基转移酶抑制剂（如阿扎胞苷）可逆转这种耗竭。

肠道微生物组组成预测免疫治疗反应。富含Faecalibacterium的患者在ALL中表现出更优的CAR-T扩增，而Enterococcus占主导则与CRS严重程度相关。微生物代谢物丁酸盐通过组蛋白去乙酰化酶（HDAC）抑制增强CAR-T干性。从应答者到患者的粪便微生物移植（FMT）可恢复丁酸盐产生并改善CAR-T细胞的氧化磷酸化（OXPHOS）。

空间转录组学通过绘制组织微环境内的基因表达图谱，革新了我们对肿瘤-免疫相互作用的理解。在cHL中，该技术揭示了与临床结果相关的独特免疫细胞簇和空间免疫模式。先进的多重成像技术（如CODEX、成像质谱流式技术IMC）可用于研究血液癌症中的免疫突触形成和空间免疫相互作用。

整合多组学方法与新兴前沿

机器学习与网络生物学

监督机器学习模型（如逻辑回归、支持向量机）已应用于临床生物标志物和细胞因子谱，以高精度预测CRS的发生和严重程度。多组学分析促进了像M2-CRS这样的集成学习框架的开发，该框架整合了XGBoost和随机森林分类器以及生物医学知识图谱，用于预测CRS。

液体活检与纵向监测

纵向多组学监测能够动态分析免疫和肿瘤的演变。循环肿瘤DNA（ctDNA）是一种关键的非侵入性生物标志物，可在整个治疗过程中提供诊断和预后价值。液体活检（包括ctDNA、循环肿瘤细胞CTCs和外泌体）能够实时监测肿瘤动态和免疫反应，支持个性化免疫治疗策略的开发。

数字孪生与表位编辑

数字孪生是个性化的计算模型，通过整合基因组学、转录组学和免疫分析数据，为模拟治疗反应和优化治疗策略提供了动态框架。CRISPR/Cas9基因编辑技术被用于精确修饰关键抗原表位，例如在AML中编辑FLT3、KIT和CD123表位，以增强免疫治疗的安全性和有效性。

非编码RNA与系统免疫学

非编码RNA（如lncRNA lncNDEPD1和microRNAs）在调节免疫检查点（如PD-1）表达中发挥重要作用，是潜在的生物标志物和治疗靶点。系统免疫学采用基于网络的方法整合多组学数据，以揭示控制血液恶性肿瘤中肿瘤-免疫相互作用的主调控因子和信号枢纽。

挑战与未来方向

多组学数据整合面临数据异质性、高维度和批次效应等挑战。AI和机器学习算法是处理这些复杂数据的关键工具。肿瘤细胞可塑性和免疫逃避机制是主要障碍。液体活检和患者中心工具（如可穿戴传感器）为动态监测和个性化护理提供了新途径。伦理和监管考虑，包括数据隐私和生物标志物验证的标准化，对于临床转化至关重要。

未来的方向包括设计结合多组学分层的篮子试验（basket trials）、采用整合实时组学反馈的适应性试验设计、部署用于动态监测的可穿戴设备，以及通过降低成本和建立开放获取数据生态系统来促进全球公平。

结论

多组学整合通过解码肿瘤、免疫细胞和治疗之间复杂的相互作用，超越了单一生物标志物的局限性，有望将免疫治疗从经验性治疗转变为精准医学。尽管存在挑战，但这些方法为优化白血病、淋巴瘤和骨髓瘤患者的治疗结果提供了蓝图。