J Immunother Cancer
泛肿瘤免疫反应预测模型IPS助力精准免疫肿瘤治疗
小赛推荐：
本文提出了一种新型泛肿瘤免疫反应预测模型——Immune Profile Score（IPS），结合DNA和RNA测序数据，利用机器学习筛选12个关键特征，可有效区分免疫检查点抑制剂（ICI）响应与非响应人群。该模型在真实世界队列中展现出良好的预后价值，未来有望通过多组学整合与前瞻性验证进一步提升预测精度。
文献概述
本文《Toward a better pan- tumor predictive signature for unleashing precision immuno- oncology》，发表于Journal for ImmunoTherapy of Cancer杂志，提出了一种新型泛肿瘤免疫反应预测模型——Immune Profile Score（IPS），用于提升免疫检查点抑制剂（ICI）治疗的响应预测能力。该模型基于DNA和RNA测序数据，通过机器学习筛选出12个最具预测价值的特征，包括TMB、PD-L1相关基因、IFN-γ通路、T细胞耗竭、髓系抑制细胞等。IPS在16种肿瘤类型超过1000例训练数据中建立，并在真实世界1600例队列中验证，结果显示IPS-H患者在多种肿瘤类型中比例为28.64%，且IPS-H与更好的OS相关（HR=0.45）。文章指出，尽管IPS在预测ICI疗效方面具有潜力，但仍需前瞻性研究验证其预测价值，并探讨联合临床、遗传、微生物组、影像组学等多模态数据提升模型性能的可能性。
背景知识
免疫检查点抑制剂（ICI）已显著改善部分晚期肿瘤患者的预后，但多数患者仍不响应或出现严重免疫相关不良反应。目前临床常用的预测标志物包括PD-L1免疫组化、微卫星不稳定性（MSI）和肿瘤突变负荷（TMB），但其预测能力受限，尤其在低TMB肿瘤中仍可观察到ICI响应。因此，研究者开始探索多组学模型，如IFN-γ信号、T细胞耗竭、髓系抑制等基因特征，结合单细胞RNA测序技术，以期更精准解析肿瘤微环境（TME）与免疫治疗响应机制。IPS模型即在此基础上整合DNA、RNA、基因表达谱与机器学习算法，构建泛肿瘤响应预测系统，旨在提升ICI治疗的个体化应用。
研究方法与实验
IPS模型基于超过1000例16种肿瘤患者的训练队列，结合机器学习筛选出12个最具预测价值的特征，包括TMB、PD-L1、IFN-γ通路基因、T细胞耗竭相关基因、髓系抑制细胞特征、肿瘤内在免疫抵抗特征及基于meta分析的105基因表达谱。研究设定IPS-L（低于55百分位）与IPS-H（高于60百分位）作为分组标准，并在1600例真实世界队列中验证其与OS的关系（HR=0.45）。进一步分析显示，IPS与TMB、MSI等现有标志物联合使用可增强预测能力，IPS-H/TMB-low患者中仍有14.1%可获益于ICI治疗，提示IPS可识别传统标志物遗漏的响应人群。
关键结论与观点
研究意义与展望
IPS模型为泛肿瘤免疫治疗响应预测提供了新工具，其优势在于可跨肿瘤类型通用，且可与现有标志物互补。未来研究应结合多模态数据（如微生物组、影像组学、蛋白组）进一步优化预测能力。此外，开发非侵入性动态监测方法（如液体活检、循环细胞组学）将有助于早期识别原发耐药与严重毒性反应，从而实现真正个体化治疗。
结语
综上所述，本文提出了一种基于多组学与机器学习的泛肿瘤免疫反应评分IPS，能够有效区分ICI响应与非响应人群，尤其在传统标志物阴性患者中仍具有预测价值。尽管IPS在真实世界队列中显示出良好的预后价值，但其作为独立预测模型的验证仍需前瞻性研究支持。未来，结合宿主遗传、肿瘤微环境、微生物组、影像组学等多维度数据，有望进一步提升免疫治疗的精准度，避免无效治疗与严重毒性，从而实现真正的个体化免疫肿瘤治疗。
