摘要A004：一种用于经济高效识别肿瘤反应性T细胞的最小基因组方法 免费

《Cancer Immunology Research》：Abstract A004: A minimal gene panel approach for cost-effective identification of tumor-reactive T cells Free

个性化T细胞疗法通过患者自身肿瘤反应性T细胞治疗难治性癌症，利用 predicTCR 机器学习模型分析100个诊断性转录本，结合SHAP可解释AI。研究提出靶向测序这100个基因可维持高准确率（>95%）同时大幅降低测序成本（减少98%）和数据处理时间，最终实现高效、经济、临床可行的肿瘤反应性T细胞筛选方法。

　　

摘要

个性化T细胞疗法在难治性癌症中展现了显著的效果，该方法利用患者自身的肿瘤反应性T细胞来选择性地清除恶性细胞。这种精准性使得能够治疗常规疗法难以触及的扩散性疾病和转移灶，同时将脱靶毒性降到最低，部分患者甚至实现了完全且持久的疗效。开发这些疗法的关键在于准确识别并从患者样本中分离出罕见的肿瘤反应性T细胞。诸如predicTCR这样的机器学习工具能够根据100个诊断性转录本的表达情况来准确识别肿瘤反应性T细胞，这些转录本是通过SHAP可解释性AI技术鉴定出来的。我们假设，仅对这些关键基因进行靶向测序可以在保持分类准确性的同时降低测序成本、数据处理需求和周转时间。我们通过结合Nanopore公司的靶向长读长测序平台与一种针对这些关键预测标志物的定制基因富集策略来验证这一假设。这种方法能够选择性地捕获和测序有信息量的基因子集，同时排除非必需的转录本，从而将测序负担减少了98%以上。随后，我们开发并训练了一个专门针对这一简化数据集的机器学习分类器。该靶向测序模型保持了高准确性，其准确率超过了全转录组predicTCR模型，同时在成本效益和计算效率方面也有了显著提升。这些结果表明，对一个经过合理选择的有限基因组进行靶向测序可以在不牺牲分类准确性的前提下有效识别肿瘤反应性T细胞。总体而言，这种方法通过大幅降低单细胞转录组测序的财务和技术负担，解决了个性化T细胞疗法临床应用中的关键障碍。通过使肿瘤反应性T细胞的识别更加便捷和经济可行，这种方法有望加速下一代癌症免疫疗法的研发，并为治疗选择有限的患者提供更多治疗选择。