《Journal of Multidisciplinary Healthcare》：Artificial Intelligence–Enabled Multi-Omics for Predicting Immune Checkpoint Inhibitor Response and Resistance
Biological Foundations of ICI Response and Multi-Omics Insights
免疫检查点抑制剂（ICIs）靶向PD-1、PD-L1和CTLA-4，通过恢复抗肿瘤免疫，重塑了肿瘤治疗格局。然而，总体应答率依然有限（约20-40%），原发性和获得性耐药普遍存在。这源于深刻的肿瘤异质性、多样化的免疫逃逸程序以及肿瘤微环境（TME）内动态的肿瘤-免疫串扰。传统的生物标志物，包括肿瘤PD-L1表达、肿瘤突变负荷（TMB）和微卫星不稳定性（MSI），预测准确性有限，常常遗漏决定应答的多因素，这推动了对精准免疫治疗整合性、高维策略的需求。
多组学分析横跨基因组学、转录组学、蛋白质组学、表观基因组学、代谢组学和微生物组学，提供了恶性肿瘤细胞和免疫背景的分层系统视图，揭示了不同癌症类型中塑造ICI疗效的机制。例如，在弥漫大B细胞淋巴瘤中，TP53和CREBBP突变等基因组改变与无应答相关，而应答者常表现出与免疫激活和细胞毒性T细胞参与一致的转录组程序。在非小细胞肺癌（NSCLC）中，单细胞转录组学追踪了部分肿瘤起源于肺泡II型细胞，并揭示了由SOX2/WNT/YAP等通路驱动的谱系可塑性，从而促进了免疫抑制性TME和ICI耐药。表观遗传失调可进一步促进免疫逃逸；例如，鼻咽癌中的增强子激活上调了与免疫逃逸相关的致癌程序（如CACNA2D1）。代谢重编程也参与其中，包括乳酸相关的乳酸化修饰强化了免疫抑制状态。微生物组增加了额外的调控层：肠道微生物群可以调节全身免疫和ICI应答性，应答者与非应答者在分类群组成上存在差异，且一致证据表明抗生素介导的微生物组破坏会损害疗效。
肠道微生物组提供了一个额外的全身控制点。在某些情况下，来自免疫治疗应答者的粪便微生物群移植增强了受体中的抗肿瘤T细胞活性，支持了共生菌和微生物衍生代谢物的功能性作用。在NSCLC中，宏基因组学分析将应答与特定类群（如拟杆菌属和普雷沃菌属）的丰度增加联系起来，而抗生素暴露会降低微生物多样性，并通过消耗有益类群或富集抑制免疫的通路来削弱ICI疗效。
肿瘤遗传学可进一步制约获益。在胃肠癌中，CREBBP和TP53的功能缺失性改变在PD-1阻断无应答者中富集，这可能通过影响抗原性和免疫相关信号传导实现，其背景依赖性可能因TME中PD-L1表达而异。除了DNA序列，表观遗传和代谢重编程也促成了耐药：乳酸积聚可驱动组蛋白乳酸化，抑制T细胞功能，并与对ICIs和放疗的耐药相关，这与强化免疫抑制的代谢物-染色质反馈回路一致。
总之，这些机制定义了一个从“热”肿瘤（高肿瘤新抗原负荷、发炎的TME、强大的T细胞浸润）到“冷”肿瘤（由于致密基质、高肿瘤细胞干性、特定微生物组构成或免疫抑制代谢物而表现出免疫排斥或抑制）的连续谱。热肿瘤通常对ICIs更敏感，而冷肿瘤通常需要组合策略将TME转化为免疫许可状态。
Tumor Heterogeneity and Cancer Stemness in Immune Evasion
肿瘤内异质性使癌症能够在免疫压力下适应，因为不同的亚克隆采用不同的遗传和表型逃逸途径，削弱了对ICIs的均匀应答。癌症干性进一步放大了耐药性：具有自我更新、静息和多向分化潜能的干细胞样肿瘤细胞可以在免疫攻击下持续存在并再生疾病。定量干性指标，包括基于mRNA表达的干性指数（mRNAsi）和CytoTRACE等算法，在泛癌分析中将升高的干性与免疫抑制微环境和减弱的ICI应答联系起来。
跨肿瘤类型，干性的特定介质与免疫排斥相关。伴侣蛋白CCT5常在增殖性、干细胞样癌细胞中过表达，并与“冷”TME相关，表现为稀疏的肿瘤浸润淋巴细胞和减少的CD8+T细胞存在。单细胞和空间多组学表明CCT5支持DNA修复和应激反应程序，其过表达与跨队列较差的ICI结局相关。在肺腺癌（LUAD）中，富含MKI67和STMN1等增殖标志物的干细胞样亚群促进了肿瘤内异质性，并与冷的免疫特征（最小的CD8+浸润）和较差的ICI应答相关。
AI-Driven Multi-Omics Integration for Biomarker Discovery
机器学习（ML）和深度学习（DL）非常适合多组学数据集的高维性和异质性。LASSO回归、随机森林、支持向量机和深度神经网络（包括卷积神经网络）等技术可以将不同的特征类型整合为稳健的预测因子。在结直肠癌中，一种集成多实例学习方法将全切片组织病理学与基因组和转录组数据相结合，以约0.85的曲线下面积（AUC）预测MSI状态，将细微的组织学模式与突变负荷和免疫通路激活特征联系起来。此类模型可以通过迁移学习适应不同队列，在保持生物学可解释信号的同时提高泛化能力。
深度学习在影像-分子整合方面特别有用。在NSCLC中，一个基于DenseNet的网络从常规CT扫描中提取影像组学特征，并将其与血液炎症标志物相结合来预测ICI结局，在训练集中AUC >0.80，在独立验证队列中约0.86。可解释性方法如Grad-CAM已被应用于定位驱动预测的肿瘤区域，提供免疫活性与免疫抑制生物学的影像学相关性。对于微生物组数据，基于粪便宏基因组谱训练的随机森林分类器识别了与ICI应答性相关的肠道微生物模式；在该分析中，某些拟杆菌属物种的富集与应答一致，而与抗生素相关的微生物多样性丧失与无应答一致。
Predictive Models for ICI Response
利用AI提取的模式，人们构建了多种预测模型来预测ICI获益，其表现常常优于TMB或PD-L1表达等单一生物标志物。人工神经网络和集成方法（如梯度提升决策树）通常将突变、免疫转录本、免疫细胞丰度、影像衍生特征和临床变量整合为应答概率的复合预测因子。
在黑色素瘤中，融合外显子组测序特征与RNA-seq免疫转录本的LASSO模型在训练集中达到约0.70的AUC，在独立测试集中约0.64，优于传统的非同义TMB等突变指标。在复发性DLBCL中，一个整合了肿瘤PD-L1评分、患者年龄和复发性突变（包括TP53和CREBBP）的人工神经网络模型，在预测抗PD-1应答方面，训练集AUC为0.97，测试集为0.94。模型权重分析表明，反映空间免疫细胞组织的特征（例如，从病理学衍生的免疫细胞邻近度和定位模式）与预测结局密切相关，表明该人工神经网络学习了组织架构与免疫治疗疗效之间有临床意义的关联。
在晚期胃食管癌中，据报道，AI衍生的基因组突变特征可以高灵敏度地预测免疫治疗后的总生存期，并在不同队列中保持稳定的性能，作为预后指标优于TMB和PD-L1状态。此类模型也可以提出组合策略；一个框架基于特征评分与模型系统中曲美替尼IC50的负相关，为“高风险”患者提名了MEK抑制剂曲美替尼。与干性相关的建模提供了额外的生物学分辨率。在LUAD中，一个结合CoxBoost和弹性网络的预后模型评估了干细胞相关基因（如MKI67和STMN1）与免疫标志物，并以中等准确度（AUC ~0.65）对ICI应答进行分层；高干性评分与减少的CD8+T细胞浸润和更差的结局一致，与冷的肿瘤微环境相符。
Subtype Classification and Patient Stratification
除了预测二元应答，AI和多组学还被用于将肿瘤分类为具有不同免疫治疗敏感性的亚型，从而指导选择ICI单药还是联合方案。在头颈部鳞状细胞癌（HNSCC）中，对分化相关基因表达的无监督聚类揭示了三个稳健的亚型，其特征分别为基质/间质特征、代谢程序或免疫激活。低分化（去分化、间质样）肿瘤往往具有免疫炎症特征，对抗PD-1/PD-L1治疗反应更好，而更分化的肿瘤通常是免疫冷的。
机器学习已将这些分层扩展到预后特征。针对HNSCC的复合免疫治疗敏感性特征（CMPIS）实现了约0.66的一致性指数，并提出了治疗定制建议：热肿瘤（低分化评分，高免疫浸润）从ICIs或化疗中获益更多，而冷肿瘤（高分化评分，低浸润）可能对放疗或EGFR靶向药物反应更好。在黑色素瘤中，对TCGA和GEO数据集的整合分析识别了具有不同免疫治疗结局的亚型；一个具有低特征评分的亚型对应于高度免疫原性的热肿瘤，富含干扰素-γ程序和活跃的T细胞浸润，与使用ICIs后改善的结局相关。
在NSCLC中，多组学分型完善了LUAD的分类学；一个由谱系可塑性和致癌通路驱动的亚组显示出免疫排斥的微环境，并对免疫检查点阻断和酪氨酸激酶抑制剂均耐药，这意味着需要替代或双重策略。在膀胱癌中，新兴的工作整合了基因组和转录组谱与液体活检特征（循环肿瘤DNA和循环肿瘤细胞），以无创方式推断管腔型与基底型表型，并预测ICI获益。代谢-表观遗传组整合也在扩展：整合乳酸化模式的模型提出了一种乳酸驱动的免疫逃逸状态，可能受益于合理的组合，如免疫治疗联合放疗。
Clinical Applications and Translational Challenges
Predicting Therapeutic Outcomes and Guiding Combination Therapies
AI-多组学框架越来越多地用于在治疗前或治疗早期预测ICI结局，并指导选择单药还是联合方案。在黑色素瘤中，整合肿瘤外显子组和转录组特征的模型以约0.7的AUC预测抗PD-1疗效，并根据预期从联合方法中获益的程度对患者进行分层。低预测应答评分通常对应于T细胞浸润有限的免疫冷肿瘤；此类患者可以被分流至ICI联合细胞毒性化疗以诱导肿瘤炎症，而高评分患者可以进行ICI单药治疗。指导此逻辑的早期试验表明，对低评分患者加用化疗可改善结局，说明了基于模型的分层如何个体化治疗强度。
在晚期胃食管癌中，AI驱动的基因组特征已被用于预测从ICIs中获得的总生存期获益，并识别出不太可能从单药免疫治疗中获益的患者。被归类为高风险的肿瘤显示出对靶向药物敏感的特征，这使得MEK抑制剂曲美替尼成为该亚组中ICIs的候选伙伴药物，并推动了后续研究。在另一种情况下，对治疗耐药癌症的免疫基因组学建模提示HSP90抑制剂可作为ICI伙伴，从而削弱耐药性并改善抗原呈递。
合理的组合策略超出了药物-药物配对，还包括微生物组和肿瘤代谢的调节。在NSCLC中，正在探索粪便微生物群移植（FMT）以使肠道微生物组转向与改善ICI应答性相关的状态。对微生物组谱的AI分析识别了与更好结局相关的类群，包括普雷沃菌，表明通过FMT或益生菌富集此类共生菌可能有益。早期临床研究表明，将ICI应答者的粪便移植给无应答者有时可以在受体中诱导应答，但安全性、供体选择和微生物组分析仍然至关重要，并且可以通过AI指导的匹配来加强。
在代谢方面，多组学整合已暗示乳酸化相关程序参与了耐药。结合表观遗传组和转录特征的模型可以识别出最受乳酸化相关调控模式驱动的肿瘤，从而推动在降低乳酸产生或阻断乳酸转运和信号传导（例如，LDH抑制或乳酸转运体阻断）的同时联合ICIs的策略。这些方法正在评估中，以使耐药肿瘤增敏，并使免疫治疗与放疗产生协同作用。
AI驱动的分层也可以指导治疗方式的选择和排序。在HNSCC中，CMPIS免疫治疗敏感性特征有助于区分可能对免疫治疗或常规化疗效果良好的患者（具有低风险评分的免疫热肿瘤）与更可能受益于替代方案（如放疗或EGFR靶向抑制剂）的患者（具有高风险评分的免疫冷肿瘤）。在肝细胞癌（HCC）中，正在探索整合肿瘤基因组学与液体活检特征的模型，以指导转换策略，即预测对单用ICIs无应答的患者可以同时接受局部治疗（如经动脉化疗栓塞或射频消融）以减轻肿瘤负荷并促进免疫识别。
在NSCLC中，多组学AI系统正在新辅助免疫治疗联合化疗试验中实施，以在手术前预测主要病理缓解或病理完全缓解。预测深度缓解概率低的患者可以被分流至替代或强化方案，而那些预测应答良好的患者可以继续治疗，无需增加不必要的、会增加毒性的药物。
Challenges in Implementation
尽管前景广阔，但一些障碍阻碍了常规临床应用。数据异质性是一个主要问题：多组学输入来自不同的平台和方案（测序化学、成像设备、样品处理方法和分析流程），即使是微小的差异也可能改变读数并降低模型性能。分析前变异性对液体活检尤其成问题，这推动了协调标本处理、建立质量控制标准和实施共享标准化程序的努力，以使模型在不同实验室间保持可移植性。
肿瘤异质性和不断演变的耐药性使预测进一步复杂化。在HCC中，高突变复杂性和多种耐药通路（包括血管生成程序和WNT/β-连环蛋白信号传导）限制了静态生物标志物的效用。保持准确性可能需要纵向采样、纳入治疗中的动态变化以及周期性模型更新以反映肿瘤进化。此外，一些AI衍生的生物标志物不易付诸行动：高风险分类可能反映复杂的多基因模式，但没有明确的治疗杠杆，这强调了可解释建模和实验验证机制的必要性。
许多算法的“黑箱”性质对临床医生和监管机构来说仍然是一个障碍。可解释性技术，包括基于SHAP的特征归因、注意力可视化和多组学关联分析，对于将预测结果与已确定的生物学联系起来并支持信任至关重要。例如，在结直肠癌中，当呈现注意力图并将其与错配修复改变和免疫浸润联系起来时，预测微卫星不稳定性的深度学习病理组学模型获得了可信度，为输出提供了合理的生物学依据。
前瞻性证据仍然有限。大多数结果仍是回顾性的，很少有试验被设计用来测试AI指导的治疗策略作为干预措施。前瞻性研究正在开始——例如，新辅助NSCLC项目如CAMEL，其纳入了多组学和AI用于应答决定因素的亚组分析——但确凿的证据可能需要随机设计，比较AI指导的选择与标准决策，并测量结局、毒性和资源使用。此类试验还需要预先设定的决策规则、及时的数据周转，以及关于如何应用建议的明确责任。
公平性和全球代表性是额外的问题。AI-组学研究集中在有限的国家和中心，增加了人群偏倚和有限适用性的风险。将数据集扩展到代表性不足的群体和肿瘤类型，加强国际合作，以及使用隐私保护方法如联邦学习，对于避免扩大差异至关重要。
最后，成本和临床工作流整合必须解决。全面的多组学分析可能昂贵且缓慢；该领域必须证明增加的预测价值是合理的，或者开发简化的检测方法（例如，靶向panel），在提高可行性的同时保持性能。输出必须具有临床可用性和及时性，以清晰的风险评分形式在决策点提供解释，并整合到临床决策支持系统中。监管途径正在发展，在指南级别认可成为常规之前，需要协调的验证方案。
Future Directions and Emerging Technologies
Advanced AI–Multi-Omics Paradigms
一个主要前沿是将单细胞和空间组学与AI整合。单细胞RNA测序和空间转录组学可以在细胞和微结构尺度上解析肿瘤微环境（TME），捕捉批量分析所掩盖的异质性和动态的肿瘤-免疫相互作用。摄入时空结构的AI模型可以更好地预测跨肿瘤区域变化并在治疗过程中演变的应答轨迹。在NSCLC中，单细胞多组学揭示了以谱系可塑性和免疫抑制为特征的空间生态位，与SOX2/WNT/YAP信号传导相关。将这种异质性整合到AI框架中可以支持空间分辨的预测，并提示何时何地辅助干预——例如添加免疫激动剂或对特定部位进行放疗——可能将“冷”区域转化为“热”区域，从而提高总体应答。
联邦学习是多中心免疫治疗建模日益相关的范式。在联邦设置中，数据保留在原始机构内，而模型更新被共享和聚合，解决了限制汇集多组学研究的隐私和治理障碍。在药物基因组学中，联邦AI
