TMBclaw：基于肿瘤克隆感知图学习的免疫治疗反应预测新方法

《Briefings in Bioinformatics》：TMBclaw: tumor clone-aware graph learning improves immunotherapy response prediction across heterogeneous cohorts

本研究针对肿瘤突变负荷(TMB)预测免疫检查点抑制剂(ICIs)疗效时忽视肿瘤内克隆异质性的问题，开发了TMBclaw（基于肿瘤突变负荷的克隆注意力与拉普拉斯自适应加权）框架。通过图正则化多任务学习整合多队列数据，结合注意力机制的多实例学习解析克隆结构，在1671例患者验证中显著提升预测准确性（AUC达0.68）和风险分层能力，为精准免疫治疗提供新工具。

　　

免疫检查点抑制剂(ICIs)的出现为晚期癌症治疗带来了革命性突破，但仅有20%-40%的患者能够获得持久疗效。面对高昂的医疗支出和潜在副作用，如何精准预测免疫治疗反应成为临床实践的关键挑战。肿瘤突变负荷(TMB)作为经美国食品药品监督管理局(FDA)认可的预测生物标志物，其临床效用仍存在争议。传统TMB量化方法单纯计算突变数量，忽视了肿瘤内克隆异质性对免疫原性新抗原呈现的关键影响——不同克隆来源的突变可能触发截然不同的免疫反应。

近年来，基于肿瘤克隆性的突变亚群分析逐渐受到关注，但克隆间复杂相互作用仍是准确预后的主要障碍。此外，临床研究队列样本量有限、技术变异（如Panel大小和测序平台差异）导致的跨队列异质性，进一步加剧了模型泛化的难度。正是这些挑战，促使研究团队开发出TMBclaw这一创新性预测框架。

发表于《Briefings in Bioinformatics》的这项研究，通过分层图正则化多任务学习架构，首次实现了对肿瘤克隆和队列异质性的统一建模。该框架在四个机构队列（N=238）和外部多中心验证队列（N=1433）中表现出卓越的预测性能，为理解肿瘤异质性和优化免疫治疗决策提供了新的见解。

关键技术方法概述

研究整合了来自西安交通大学第二附属医院和中山大学肿瘤中心的238例非小细胞肺癌(NSCLC)、黑色素瘤和鼻咽癌(NPC)患者数据，以及1433例公共数据集样本。采用PyClone算法推断克隆结构，通过多实例学习(MIL)框架处理患者内克隆变异，使用自注意力机制量化克隆贡献，并创新性地引入图拉普拉斯正则化实现跨队列知识迁移。

研究结果

TMBclaw提升预测性能与稳健性

在实验队列中，TMBclaw的准确率达到71.31%，显著优于传统 pooled分析（68.35%）和任务特定分析（66.24%）策略。

值得注意的是，TMBclaw在两类别的F1分数上均表现最佳（F1 score(0)=0.7963，F1 score(1)=0.5144），且达到最低的最优点距离(DOP=0.7347)，表明其在敏感度、特异度和预测值之间取得了最佳平衡。在外部验证队列中，TMBclaw同样保持稳定优势，AUC在非小细胞肺癌队列和黑色素瘤队列分别达到65.56%和72.60%。

优化临床风险分层与生存预测

Cox回归分析显示，加入TMBclaw预测评分后模型区分能力显著提升（C指数从0.6407提高至0.6554）。

Kaplan-Meier生存分析进一步证实，TMBclaw划分的高评分组患者无进展生存期(PFS)显著优于低评分组（风险比HR=2.4，P<0.0001），而传统方法分层效果有限。这种优势在外部队列中得到重复验证，

表明TMBclaw具有可靠的临床适用性。

消融分析验证多克隆结构整合与正则化设计

通过系统消融实验，团队验证了各模块的贡献。与仅使用总TMB（AUC=50.46%）、克隆TMB(cTMB，AUC=57.28%)或亚克隆TMB（AUC=63.84%）相比，TMBclaw完整架构达到67.87%的AUC，证实多克隆信息整合的必要性。同时，移除图正则化的Base-MIL模型和保留正则化但简化克隆结构的Reg-MLP模型性能均显著下降，凸显了双层次设计的协同作用。

注意力可视化揭示可解释的克隆贡献

注意力权重可视化显示，主克隆（克隆1）在预测中占据主导地位（平均权重0.506），这与其在肿瘤进化中的核心地位相符。值得注意的是，在部分非小细胞肺癌队列中，某些亚克隆也表现出不可忽视的贡献权重，这与既往关于亚克隆影响预后的研究相吻合，体现了模型捕捉生物学异质性的能力。

结论与展望

TMBclaw通过创新性地整合图正则化多任务学习和注意力机制多实例学习，成功解决了免疫治疗预测中的两大核心挑战：肿瘤克隆异质性和队列异质性。其双层次架构既实现了跨队列的知识迁移，又保留了个体化克隆特征的重要性评估。

该研究的重大意义在于：首先，将克隆结构信息系统性地纳入预测模型，突破了传统TMB的局限性；其次，通过图拉普拉斯正则化有效缓解了小样本数据下的过拟合问题；最后，注意力机制提供的可解释性为临床医生理解预测依据提供了透明窗口。

尽管当前研究局限于基因组数据，作者在讨论中指出，未来整合肿瘤免疫微环境(TIME)多组学数据将进一步提升模型潜力。随着免疫治疗应用的不断拓展，TMBclaw框架有望成为精准肿瘤学的重要工具，为个体化治疗决策提供可靠支持。

这项研究不仅推进了生物信息学方法学发展，更通过临床大规模验证架起了计算方法与临床实践之间的桥梁，标志着免疫治疗预测模型向更高精度和可解释性迈出了关键一步。