编辑推荐：
为探究肠道微生物变异与非小细胞肺癌（NSCLC）免疫治疗疗效关系，研究人员整合多方法，发现关键 SNP，为个性化治疗提供依据。
在肺癌的众多类型中，非小细胞肺癌（NSCLC）是 “大麻烦”，它是全球范围内常见且致命的癌症。由于早期诊断困难，很多患者发现时已处于晚期，治疗手段有限，生存率较低。免疫治疗的出现，给晚期 NSCLC 患者带来了新希望，像免疫检查点抑制剂（ICIs）中的抗 PD-1 抗体（如 nivolumab），能阻断癌细胞逃避免疫识别的信号，激活 T 细胞对抗肿瘤。但尴尬的是，不同患者对 ICIs 的反应差异很大，有的疗效显著，有的却效果不佳。这背后的原因是什么呢？越来越多研究表明，肠道微生物组可能是关键因素。一些特定的肠道细菌，如 Akkermansia muciniphila 和 Faecalibacterium prausnitzii，能增强免疫细胞活性，提升免疫治疗效果；而有些细菌，如 Parabacteroides distasonis，在无反应患者中更常见，可能会抑制免疫反应。可目前多数研究聚焦于微生物分类组成，对特定菌株和患者亚组关注不足，也缺乏菌株水平的分析，无法确定像单核苷酸多态性（SNPs）这样的功能相关变异。
为了解开这些谜团，来自浙江大学医学院附属儿童医院、巴基斯坦国立科技大学跨学科工程与科学学院等机构的研究人员，开展了一项深入研究。相关成果发表在《Journal of Translational Medicine》上。
研究人员采用了多种关键技术方法。首先，从欧洲核苷酸档案库（ENA）获取 87 例接受 nivolumab 治疗的 NSCLC 患者的宏基因组鸟枪法测序数据，这些数据在治疗前（T0）、治疗 1 个月后（T1）和治疗 2 个月后（T2）采集。接着，利用 FastQC 检查原始数据质量，通过 fastp 和 BBduk 进行数据预处理，去除低质量和宿主来源序列。然后，用 MetaPhlAn3 和 StrainPhlAn3 进行微生物物种和菌株鉴定，Snippy 进行变异检测和注释。之后，借助多种统计分析方法和机器学习模型，如逻辑回归（LR）、支持向量机（SVM）等，筛选与治疗反应相关的 SNPs。最后，运用结构生物信息学工具，如 MUpro、I-Mutant 2.0 等，分析优先选择的 SNPs 对蛋白质结构和功能的影响。
研究结果如下：
- 菌株水平多样性动态变化：MetaPhlAn3 鉴定出 NSCLC 患者样本中有 1655 种微生物物种。在 R（ responders，对免疫治疗有反应）和 NR（non - responders，对免疫治疗无反应）患者中，优势微生物物种有所不同。比如，Phocaeicola vulgatus 和 Bacteroides uniformis 等在 R 患者中更常见，可能对治疗反应有积极影响；而 Parabacteroides distasonis 在 NR 患者中更丰富。进一步对 25 种最丰富的微生物物种进行菌株多样性分析发现，不同物种的菌株在不同时间点和不同反应组的分布有差异，一些菌株是 R 或 NR 特有的。
- 肠道微生物基因组变异分析及与治疗反应的关联：研究人员选择 7 种在 R 和 NR 中多数时间点都有菌株的微生物物种进行基因组变异分析，共鉴定出 83,583 个变异。其中，Akkermansia muciniphila、Phocaeicola dorei 等物种在 R 和 NR 中的变异数量不同。通过 MaAsLin2 分析发现，lpdA、nadB 等基因与 R 呈负相关，ftsA、obgE 等基因与 NR 呈正相关，且这些基因的变异数量在 NR 中更多。
- 机器学习模型区分 R 和 NR：研究人员开发的机器学习模型在区分 R 和 NR 方面表现出色。LR 模型表现最佳，准确率超过 90%，受试者工作特征曲线下面积（AUC ROC）大于 95%。通过 LR 模型确定了一些对免疫治疗反应有重要影响的 SNPs，如 Phocaeicola dorei 中 lpdA 基因的 Ala168Val 变异和 Parabacteroides distasonis 中 lpdA 基因的 Tyr233His、Leu330Ser 变异等。
- 优先选择的 SNPs 的结构比较：对通过机器学习模型优先选择的 SNPs 进行结构分析发现，这些 SNPs 会影响蛋白质的活性位点形成和稳定性。例如，obgE 蛋白中 His233Arg 变异虽不影响活性位点形成，但会减少极性接触，降低蛋白质稳定性；lpdA 蛋白中 Tyr233His 等变异也会改变蛋白质结构稳定性，可能影响其正常功能。
研究结论和讨论部分表明，该研究揭示了肠道微生物菌株和基因组变异与 NSCLC 免疫治疗疗效的关联。特定微生物物种和菌株在 R 和 NR 患者中的差异分布，以及关键基因的变异和相关 SNP 的发现，为预测患者对 ICIs 治疗的反应提供了潜在的生物标志物。通过整合宏基因组学、机器学习和结构生物信息学，研究人员成功筛选出可能用于判断 NSCLC 患者是否适合 ICI 治疗的微生物基因和变异。不过，该研究存在一些局限性，如样本量小、仅基于单一队列、时间点有限且缺乏实验验证等。未来还需要通过更多体外和体内实验，以及更大规模、多队列的研究来进一步验证这些发现，评估微生物靶向干预措施在 NSCLC 治疗中的作用，从而推动基于微生物组和 SNP 的研究成果转化为临床应用，为 NSCLC 患者提供更精准、有效的治疗方案。
