综述：算法引导的个性化T细胞疗法：机器学习开启了下一代TCR工程免疫疗法的时代

《Pharmacological Reports》：Algorithm guided personalized T cell therapy: machine learning unlocks next generation TCR engineered immunotherapy

适应性T细胞疗法通过机器学习优化肿瘤特异性克隆选择，缩短CAR-T生产周期至数周，但需解决模型泛化性和安全性验证问题。

　　

摘要

过继性T细胞疗法，包括肿瘤浸润淋巴细胞（TIL）转移以及工程化嵌合抗原受体（CAR）或T细胞受体（TCR）疗法，已经彻底改变了免疫肿瘤学的格局，但仍然受到抗原多样性（广度）与靶点精确度之间根本性差异的限制。TIL疗法能够识别多种抗原，但往往无法富集具有持续增殖潜能的肿瘤反应性克隆。另一方面，CAR-T疗法能够实现强大的抗原特异性细胞毒性，然而却受到肿瘤异质性的限制，并且需要预先确定的目标。机器学习（ML）的最新进展有望弥补这一差距。诸如PredicTCR和TRTpred这样的平台，通过训练 paired TCR 序列和单细胞转录组数据，可以从单次肿瘤活检中以超过90%的准确率预测肿瘤反应性克隆，从而在几天内实现高多样性和高精度的选择。互补的深度学习框架，包括MATE-Pred和BertTCR，能够扩展对不同表位和HLA背景的预测能力。这些创新预示了一个新的范式：由ML驱动的算法将指导个性化TCR工程产品的快速设计，有可能将制造时间从几个月缩短到几周。然而，仍存在一些挑战，例如验证模型在不同肿瘤类型中的泛化能力、减少错误预测以及将安全性评估整合到计算选择流程中。通过将计算智能与细胞免疫疗法相结合，基于ML的增强型过继性T细胞疗法可能克服当前的局限性，实现长期以来追求的针对实体瘤的个性化、肿瘤特异性免疫疗法的目标。总体而言，本研究旨在强调利用ML平台来统一过继性T细胞疗法中的多样性和精确度，从而实现快速、个性化的肿瘤反应性克隆选择，为下一代实体瘤免疫疗法奠定基础。