陳靜 吳濤 劉雪松

腫瘤是由體細胞基因組DNA突變驅動的復雜疾病，靶向這些突變的治療策略曾在部分癌癥中取得出色的治療效果，但大部分癌癥通過靶向治療，并不能取得長期有效的根治效果。近十年來，以免疫檢查點抑制劑、CAR-T（chimeric antigen receptor T cell，嵌合抗原受體T細胞）為代表的免疫治療策略給部分晚期、難治性腫瘤的治療帶來了革命性的突破。腫瘤的發(fā)生發(fā)展過程，不但取決于腫瘤細胞自身基因組發(fā)生的變異，也與其所處的微環(huán)境密切相關。其中，免疫細胞是腫瘤微環(huán)境的核心成分之一，腫瘤細胞與免疫細胞之間的斗爭伴隨著腫瘤演化發(fā)展的全過程。

腫瘤最早出現在古希臘學者希波克拉底的描述中，他根據腫瘤的外部形狀將其命名為“karkinos”，在希臘語中是“螃蟹”的意思。當時人們對腫瘤的認識非常有限，這個命名僅僅是基于當時醫(yī)療水平能夠診斷到的實體瘤的外觀特征，缺乏病理學的認知。1863年，菲爾紹（R. Virchow）發(fā)現腫瘤組織中除了腫瘤細胞外，還浸潤有大量淋巴細胞，由此將炎癥與癌癥聯系起來。數十年后，美國醫(yī)生科利（W. B. Coley）的一次偶然發(fā)現，開創(chuàng)了免疫治療的先河。他發(fā)現部分腫瘤患者術后出現感染癥狀的同時，腫瘤病灶也隨之縮小甚至消失。他認為這種現象表明，人體免疫系統不僅能夠清除細菌感染，還可以消滅腫瘤細胞。于是他用滅活細菌刺激骨肉瘤患者的免疫系統，使得腫瘤消退[1]，這是人類歷史上第一次對腫瘤免疫治療的系統研究。但限于當時的醫(yī)療技術和理論水平，人們對免疫系統調節(jié)的機制并不清楚。

20世紀初，有學者提出腫瘤細胞可能具有啟動免疫反應的免疫原性。埃利希（P. Ehrlich）試圖通過注射滅活腫瘤細胞來治療腫瘤，可惜效果并不理想。1940年代，英國生物學家梅達沃（P. Medawar）在參與二戰(zhàn)的傷員身上發(fā)現，個體間的皮膚移植手術經常出現排異反應，他認為這種異體皮膚移植物排異反應是由主動免疫機制引起的。這一現象的發(fā)現也引發(fā)了腫瘤學家和免疫學家的思考，他們認為異體皮膚移植排異反應的生物學機制可能與腫瘤在人體內受到免疫攻擊的情況非常類似。于是，人們進行了一系列實驗去研究腫瘤是如何激活免疫反應的。到1957年，托馬斯（L. Thomas）和伯內特（M. Burnet）正式提出腫瘤免疫監(jiān)視理論，即免疫系統能夠識別腫瘤表面的腫瘤特異性抗原并清除惡性腫瘤，從而抑制腫瘤的發(fā)生發(fā)展[2]。這是腫瘤免疫在理論上的重大突破，其重點是：腫瘤細胞具有免疫原性，免疫細胞可以識別腫瘤特異性抗原并攻擊腫瘤組織。但后來的研究發(fā)現，有部分腫瘤細胞會在各種因素作用下逃脫機體的免疫監(jiān)視，發(fā)展為臨床確診的腫瘤。

2002年，鄧恩（G. P. Dunn）和施萊伯（R. Schreiber）根據最新的腫瘤免疫學研究成果，發(fā)展了免疫監(jiān)視學說，提出免疫編輯假說：免疫系統控制腫瘤生長和塑造腫瘤免疫原性的動態(tài)過程，主要包括清除、平衡、逃逸三個階段[3]。這是目前腫瘤免疫學領域被廣泛認可的理論。在清除階段，先天免疫系統和適應性免疫系統共同識別并殺傷新形成的腫瘤細胞；少數存活下來的腫瘤細胞進入平衡階段，此時腫瘤生長受到限制但并未被完全清除；同時，適應性免疫系統的持續(xù)選擇壓力及腫瘤細胞的遺傳不穩(wěn)定性，選擇出免疫原性低、能逃避免疫識別和破壞的腫瘤亞克隆。經過免疫編輯的腫瘤亞克隆進入逃逸階段，其生長不受限制，最終形成臨床可檢測到的腫瘤組織。

腫瘤免疫編輯是一個持續(xù)的過程，不僅發(fā)生于腫瘤發(fā)展過程中，也出現在免疫治療期間。有臨床前研究發(fā)現，抗PD-L1治療可以改變腫瘤突變譜，降低產生新抗原（腫瘤細胞突變產生的可激活免疫反應的非自身多肽）的腫瘤亞克隆突變的數量。盡管在接受免疫治療的小鼠和患者中都可以檢測到免疫編輯的信號，但在未接受免疫治療的患者中，腫瘤細胞是否受到免疫編輯的負選擇效應（即免疫編輯清除階段的信號），這個問題目前存在爭議。目前主要通過兩種方法研究這個問題：基于突變模式的方法和基于克隆頻率的方法。

基于突變模式的方法認為，與中性突變相比，能夠改變適應性的突變具有不同的突變頻率。其中，廣泛使用的選擇壓力檢測方法是，將同義突變數量除以非同義突變數量（dN/dS），根據各自的發(fā)生概率進行標準化；dN/dS>1就是正選擇，dN/dS<1導致負選擇。該方法的關鍵在于，選擇一個基因組上不受免疫系統選擇的對照區(qū)域，但實際研究中很難選擇到一個嚴格意義上完全不受選擇的區(qū)域作為對照，因此定量的選擇信號常常被低估。

基于克隆頻率的方法是：在中性演化條件下，可以通過群體遺傳學理論推導出突變的等位基因頻率應該遵循冪律分布。通過比較實際突變的等位基因頻率累積分布與理論中性演化分布之間的差異，可以檢測是否存在選擇壓力。然而，這種方法的使用受到限制，因為它需要在有限的亞克隆頻率范圍內應用于突變。此外，對于與中性演化分布偏差檢驗的準確性存在質疑。另外，這種方法無法單獨在單個樣本中檢測新抗原介導的負選擇。

筆者團隊研發(fā)的基于癌細胞比例（cancer cell fraction）分布模式的新方法[4]，可為個體提供穩(wěn)定的免疫編輯定量數據，并證明免疫編輯清除信號在未經免疫治療的癌癥基因組中是普遍存在的。

免疫細胞識別并殺傷腫瘤細胞涉及多個步驟：腫瘤細胞產生“非自身”蛋白肽，呈遞到自身細胞表面或被專職的抗原呈遞細胞捕獲后呈遞；免疫細胞識別該蛋白肽，并被激活；免疫細胞釋放細胞因子殺傷腫瘤細胞。該過程中的任何異常都可能導致腫瘤細胞發(fā)生免疫逃逸，即免疫逃逸機制大致有：①抗原呈遞功能缺陷；②T細胞識別與激活過程異常；③腫瘤自身免疫原性的降低；④基因組DNA復雜變異導致未知機制的免疫逃逸。

腫瘤細胞內產生的“非自身”多肽經過蛋白酶體降解后，通過抗原加工相關轉運蛋白（TAP）進入內質網，并與I類主要組織相容性復合物（major histocompatibility complex， MHC-I）結合，經高爾基體轉運至細胞表面；除MHC-I分子途徑外，腫瘤微環(huán)境中癌細胞死亡后釋放的癌抗原，被抗原呈遞細胞如樹突細胞捕獲，遷移到引流淋巴結后，樹突細胞可通過 MHC-II類分子途徑進行抗原呈遞?？乖蔬f過程中發(fā)生異常，如B2M基因的突變、TAP1基因的突變或丟失、MHC分子的丟失等，都可能使腫瘤細胞無法呈遞抗原，導致無法被T細胞識別。

當抗原被成功呈遞到細胞表面后，T細胞識別這些抗原并被激活。其過程涉及共刺激和共抑制這兩種信號：共刺激涉及T細胞受體（T cell receptor，TCR）與MHC-肽復合物的結合，以及共刺激分子之間的相互作用，如果這些受體發(fā)生了變異，就會影響T細胞的激活。此外，正常組織中機體為避免免疫系統過度激活，會有一些共抑制信號平衡T細胞的激活，狡猾的腫瘤細胞會利用這種機制進行逃逸。比如T細胞表面的程序性細胞死亡蛋白1（programmed cell death protein 1， PD-1）是T細胞活化的抑制分子之一，而腫瘤細胞則在其表面表達配體PD-L1，PD-L1與PD1結合后就抑制了T細胞活性，即抑制了抗腫瘤免疫。

免疫細胞和某些非免疫細胞因經刺激而合成分泌的一類具生物學活性的小分子蛋白質——細胞因子，在T細胞殺傷腫瘤細胞的過程中也發(fā)揮著重要作用。比如，干擾素γ（IFN-γ）是一種具有促細胞凋亡和增強免疫能力的細胞因子，可上調抗原遞呈和MHC表達，在識別抗原后，CD8+T細胞釋放細胞溶解顆粒和IFN-γ，引發(fā)腫瘤細胞死亡。而腫瘤細胞中的IFN-γ受體和下游效應基因，經常發(fā)生體細胞突變或者表觀遺傳修飾的改變，使得這類細胞因子無法發(fā)揮作用。

腫瘤細胞產生的抗原肽免疫原性降低的原因包括多方面，如蛋白酶體剪切效率下降、MHC分子親和力降低、與TCR相互作用改變等，這些都可能降低被T細胞識別的概率。此外，腫瘤細胞還可能通過多種途徑降低抗原肽的免疫原性，例如化學修飾（如糖基化）或表觀遺傳機制，以減少抗原肽的表達。例如，腫瘤細胞中的組蛋白甲基化轉移酶（SETDB1）通常會過度表達，從而抑制轉座子源抗原的表達。另外，腫瘤細胞的復雜基因變異也可能導致免疫逃逸。筆者團隊最近發(fā)現含有染色體外環(huán)狀DNA（extrachromosomal DNA， ecDNA）的腫瘤樣本中，免疫細胞浸潤顯著低于不含ecDNA的腫瘤[5]；也有研究揭示了腫瘤非整倍性可能是通過上調 PD-L1 表達和抑制瘤內 CD8+T細胞反應等來逃避免疫監(jiān)視，但是這些復雜DNA變異導致免疫逃逸的具體機制有待進一步研究。

20世紀末和21世紀初，在腫瘤免疫理論和免疫細胞基礎日漸充實后，腫瘤免疫治療飛速發(fā)展。首先進入臨床實驗的是細胞因子療法和過繼性細胞療法。1972年，耶魯大學醫(yī)學院首次鑒定出淋巴細胞激活因子IL-2對T細胞增殖和分化有至關重要的意義，使得體外培養(yǎng)大量T細胞成為可能。之后，國際癌癥研究中心（International Agency for Research on Cancer， IARC）率先使用T浸潤淋巴細胞（tumor infiltrating lymphocytes， TIL）治療轉移性黑色素瘤[6]，他們將從癌組織活檢中分離出的T淋巴細胞用IL-2大幅擴增，然后將其與高劑量IL-2同時靜脈注入同一患者體內。但由于缺少特異性，臨床效果并不佳。由于免疫系統的復雜性和對腫瘤反應模式的不確定性，以及對免疫細胞與腫瘤細胞相互作用機制認識不夠，限制了這些早期研究的成功。

如前所述，機體的免疫穩(wěn)態(tài)依賴于T細胞共刺激和共抑制信號的平衡，而癌細胞常常利用這些信號來逃避免疫攻擊。因此免疫治療的重點在于，重新激活抗腫瘤免疫細胞，防止腫瘤細胞發(fā)生免疫逃逸。代表性的方法包括免疫檢查點（immune checkpoint）阻斷療法和CAR-T療法。

免疫檢查點屬于共抑制信號。通過阻斷免疫檢查點增強抗腫瘤T細胞的活性，來抑制腫瘤生長，其發(fā)展是通過靶向CTLA-4/B7-1/2和PD-1/PD-L1這兩條免疫檢查點通路開始的。2011年，第一個抗CTLA-4抗體——伊匹單抗（iplimumab）被美國食品與藥品管理局批準用于治療晚期黑色素瘤。之后10年內，多種免疫檢查點阻斷藥物不斷問世，最為矚目的是PD-1及其配體PD-L1單抗。它們的臨床應用革新了免疫治療的范式，尤其是在黑色素瘤患者中取得了振奮人心的療效。這些患者接受PD-1聯合或不聯合抗CTLA-4治療后，可見的腫瘤轉移灶完全消失，5年隨訪中復發(fā)的風險低于10% [7]。免疫檢查點抑制療法最成功的一點在于，即使停止治療也能得到長期緩解，這在傳統癌癥治療中是完全不敢想象的。這一具劃時代意義的免疫治療策略讓它的開創(chuàng)性貢獻者艾利森（J. P. Alison）和本庶佑（T. Honjo）榮獲2018年諾貝爾生理學或醫(yī)學獎。

另一代表性免疫治療策略CAR-T細胞療法，是一種創(chuàng)新性免疫細胞治療方式：將患者體內的T細胞，經過基因修飾后表達嵌合抗原受體，嵌合抗原受體直接與腫瘤表面的靶抗原進行特異性識別與結合，使T細胞的激活繞過了TCR和MHC的識別過程，因而不再受到MHC的限制，從根本上克服腫瘤細胞通過常見的下調MHC分子的免疫逃逸問題。在2010年，瓊（C. June）將這一療法引入臨床試驗階段，成功治愈了多名白血病患者，開創(chuàng)了細胞和基因治療新時代。研究人員通過不斷加強CAR設計和優(yōu)化細胞加工工藝，該法顯示出越來越顯著的臨床效果。CAR-T細胞療法不僅作為一線治療藥物，在白血病上實現90%以上的緩解率，也在實體瘤治療中大放異彩，陽性復發(fā)肝癌患者在接受治療后病灶明顯縮小，部分病灶甚至全部消退。

除了免疫檢查點抑制療法和CAR-T細胞療法，還有其他多種免疫治療策略正在蓬勃發(fā)展。其中包括抗體藥物和腫瘤疫苗。比如新興的雙特異性抗體，能引導免疫細胞與腫瘤細胞相互作用，減少對正常細胞的影響，實現對腫瘤的精準打擊；個性化新抗原疫苗已成為腫瘤疫苗研究的重要方向，且在臨床測試中也展現出顯著的治療效果。

腫瘤免疫微環(huán)境是腫瘤細胞與免疫細胞相互作用所構成的復雜生態(tài)系統。隨著免疫基因組、免疫蛋白組以及其他能反映腫瘤免疫狀態(tài)的多組學數據的增加，結合高性能計算和人工智能技術，我們有望利用人工智能技術識別這些復雜模式，從而為臨床提供指導。目前，人工智能在腫瘤免疫領域的應用主要包括：新抗原的預測、TCR序列的篩選與優(yōu)化，以及免疫治療效果的預測。

新抗原是腫瘤疫苗的關鍵靶點，對它的預測是免疫治療計算方法的重大挑戰(zhàn)，只有少數突變具有真正的免疫原性。因此利用人工智能預測新抗原可以幫助縮小疫苗設計或者體外 T細胞識別實驗的評估范圍。多肽與MHC的結合是免疫識別的關鍵步驟，近年來逐步積累起來的抗原-MHC親和力數據、高通量質譜洗脫數據，使得利用人工智能模型進行親和力預測成為可能，其中應用最廣泛的是NetMHCpan模型[8]，它通過多層人工神經網絡，利用多肽和MHC的親和力數據和質譜洗脫數據進行訓練。但是與MHC結合不能保證激活T細胞，因此，最近有些研究對直接預測多肽的免疫原性進行了探索，比如DeepImmuno模型利用貝葉斯框架從實驗數據中得到連續(xù)的免疫原性值，使用卷積神經網絡直接預測多肽的免疫原性。然而，目前具有免疫原性的數據比較少，為了解決這個問題，筆者團隊采用遷移學習策略結合長短期記憶循環(huán)神經網絡（LSTM），實現了對 MHC-II 類抗原肽免疫原性的高精度預測[9]。

TCR工程化T細胞（T-cell receptor-engineered T cell， TCR-T）治療的關鍵在于篩選和鑒定能夠特異性結合靶點抗原的TCR 序列，而已知的 TCR 序列范圍是巨大的，可以利用人工智能模型加速篩選。pMTnet [10]通過遷移學習的策略，分別使用自編碼器和 LSTM對TCR序列和抗原肽-MHC復合體序列（pMHC）進行編碼，然后融合這兩部分信息來預測TCR和pMHC分子的親和力，利用該類模型可以在給定抗原的情況下得到候選TCR的親和力排名，從而幫助篩選出合適的TCR序列做進一步的驗證。除了篩選直接使用已知的TCR序列之外，也可對現有 TCR序列進行進一步優(yōu)化，甚至生成全新的性能更優(yōu)的TCR序列，以ChatGPT為代表的生成式人工智能大模型將來在這個領域可能大有可為。

限制腫瘤免疫的主要問題包括患者選擇和治療反應的預測。如果能前瞻性地識別最能從特定治療計劃中受益的患者，就可降低不良臨床結果和高治療成本的風險，治療過程中盡早確定患者的治療反應性，對臨床醫(yī)生考慮是否需要修改治療計劃也是至關重要的。人工智能模型可以用來預測與免疫治療效果相關的生物標志物，從而對患者進行區(qū)分。組學數據的逐步積累使得利用組學或其他臨床數據直接預測患者的免疫治療反應成為可能。

近年來，腫瘤免疫治療是腫瘤治療領域的革命性突破，能夠給部分晚期腫瘤患者帶來疾病治愈的希望。然而，當前免疫治療的有效性和適用范圍仍需提升。研究腫瘤細胞和免疫系統之間深層次相互作用的腫瘤免疫理論在最近一個世紀也發(fā)生了演變，深入研究腫瘤細胞和免疫系統之間的互作機制有助于開發(fā)新的免疫治療策略，以及提升現有免疫治療的適用范圍和治療效果。未來結合了大數據分析、人工智能的個性化精準免疫治療有望為免疫治療研究帶來新的突破，從而讓更多的癌癥患者受益免疫治療效果。

[1]Coley W B. The treatment of malignant tumors by repeated inoculations of erysipelas. With a report of ten original cases. 1893. Clin Orthop， 1991： 3-11.

[2]Burnet M. Cancer： A biological approach. I. The processes of control. Br Med J， 1957， 1： 779-786.

[3]Dunn G P， Old L J， Schreiber R D. The immunobiology of cancer immunosurveillance and immunoediting. Immunity， 2004， 21： 137-148.

[4]Wu T， Wang G， Wang X， et al. Quantification of neoantigenmediated immunoediting in cancer evolution. Cancer Res， 2022， 82（12）： 2226-2238.

[5]Wu T， Wu C， Zhao X， et al. Extrachromosomal DNA formation enables tumor immune escape potentially through regulating antigen presentation gene expression. Sci Rep， 2022， 12（1）： 3590.

[6]Rosenberg S A， Lotze M T， Muul L M， et al. A progress report on the treatment of 157 patients with advanced cancer using lymphokine-activated killer cells and interleukin-2 or high-dose interleukin-2 alone. N Engl J Med， 1987， 316（15）： 889-897.

[7]Robert C， Ribas A， Hamid O， et al. Durable complete response after discontinuation of pembrolizumab in patients with metastatic melanoma. J Clin Oncol， 2018， 36（17）： 1668-1674.

[8]Reynisson B， Alvarez B， Paul S， et al. NetMHCpan-4.1 and NetMHCIIpan-4.0： improved predictions of MHC antigen presentation by concurrent motif deconvolution and integration of MS MHC eluted ligand data. Nucleic Acids Res， 2020， 48： W449-W454 .

[9]Wang G， Wang T， Ning W， et al. TLimmuno 2： Predicting MHC class II antigen immunogenicity through transfer learning. Brief Bioinform， 2023， 24（3）： bbad116.

[10]Lu T， Zhang Z， Zhu J， et al. Deep learning-based prediction of the T cell receptor–antigen binding specificity. Nat Mach Intell， 2021， 3（10）： 864-875.

關鍵詞：腫瘤免疫 免疫編輯 免疫逃逸 免疫治療 人工智能 ■