预测哪些患者对治疗反应良好是困扰癌症免疫治疗领域四十多年的难题。现在，约翰霍普金斯 Kimmel 癌症中心及其 Bloomberg~Kimmel 癌症免疫治疗研究所的研究人员距离解决该问题又近了一步。在一项小型研究中，他们成功地训练了一种机器学习算法，事后可以预测哪些黑色素瘤患者会对治疗产生反应，哪些不会产生反应。

开源程序 DeepTCR 被证明作为一种预测性临床工具很有价值，但它也起到了强大的指导作用，向研究人员传授患者对免疫疗法反应的生物学机制。

“DeepTCR 的预测能力令人兴奋，”该研究的第一作者、医学博士 John-William Sidhom 说，“但我发现更令人着迷的是，我们能够查看模型对免疫系统反应的了解到免疫疗法。我们现在可以利用这些信息为许多疾病，甚至是肿瘤学以外的疾病开发更强大的模型，并可能开发出更好的治疗方法。”

该研究的摘要发表在《科学进展》杂志上。

DeepTCR 是 Sidhom 在约翰霍普金斯大学医学院攻读医学博士时开发的。学生。它使用深度学习(人工智能的一种形式)来识别大量数据中的模式。在这种情况下，数据是称为 T 细胞受体 (TCR) 的蛋白质的氨基酸序列。

TCR 位于免疫系统 T 细胞的外部，等待来自敌人(癌症、细菌或病毒)的蛋白质参与。TCR 就像一把锁，只能用一把钥匙打开。T 细胞的外部镶嵌着许多 TCR，但它们都是相同的，并且都是由同一个敌方钥匙打开的。由于不知道存在哪些敌人，许多不同的 T 细胞在体内游荡。当 TCR 被激活时，它的 T 细胞会释放分子来杀死敌人，并克隆自己来加强反应。

不幸的是，一些肿瘤细胞发展出阻断 T 细胞反应的方法，即使 TCR 已被激活。目前的免疫治疗药物，称为检查点抑制剂，由阻碍肿瘤中这种能力的蛋白质组成，导致 T 细胞对癌症做出反应。然而，这些药物只能帮助少数患者。

在当前的研究中，Sidhom，现在是一名居民，使用在 CheckMate 038 临床试验期间收集的材料，该试验测试了一种免疫治疗药物(nivolumab)与两种(nivolumab 和 ipilimumab)的组合对 43 名无法手术的黑色素瘤患者的疗效。在治疗前和治疗期间对肿瘤进行活检，其中包含一系列浸润性 T 细胞。

在 CheckMate 研究中，接受单一药物治疗的患者与接受两种药物联合治疗的患者没有显着差异。两组中的一些患者有反应，而另一些则没有。

Sidhom 使用完善的协议，使用高科技基因测序通过确定每个活组织检查中 TCR 的类型和数量来发现每个肿瘤周围的 TCR 库。然后，他将该数据提供给 DeepTCR 程序，并告诉它哪些数据集属于有反应者和无反应者。然后算法寻找模式。

研究人员首先询问在治疗前，应答者和无应答者的免疫疗法的 TCR 库是否存在差异。该算法确定的差异与已知的生物标志物(用于指导治疗的肿瘤分子特征)一样可预测患者的反应。然而，在将该算法用于临床指导治疗之前，研究人员需要在更大的患者群体中确认这些发现。