Новая модель машинного обучения, разработанная Тимоти Чаном, доктором медицинских наук из Cleveland Clinic, и его коллегами, точно предсказывает, будет ли эффективна блокада иммунных контрольных точек (ICB), растущий класс иммунотерапевтических препаратов, у пациентов, у которых диагностированы самые разные виды рака.

Инструмент прогнозирования оценивает множество биологических и клинических факторов, специфичных для пациента, для прогнозирования степени ответа на ингибиторы иммунных контрольных точек и результатов выживания. Согласно результатам, опубликованным в Nature Biotechnology, он заметно превосходит отдельные биомаркеры или другие комбинации переменных, разработанные на данный момент .

После дальнейшей проверки этот инструмент может помочь онкологам лучше выявлять пациентов, которым с наибольшей вероятностью будет полезен ICB. Распознавание до начала лечения пациентов, для которых ICB будет неэффективным, может снизить ненужные расходы и снизить вероятность возникновения побочных эффектов. Это также может указывать на необходимость применения альтернативных стратегий лечения, таких как комбинированная терапия.

«Важно знать, для каких методов лечения пациенты больше всего подходят», — сказал д-р Чан, директор Центра иммунотерапии и точной иммуноонкологии Кливлендской клиники. «Наша модель обеспечивает более полное понимание разнообразия реакций пациентов на блокаду иммунных контрольных точек. Это первая модель, в которой собран такой крупномасштабный набор клинических и геномных переменных, которые имеют прогностическое значение для иммунотерапии при различных типах рака».

Эти последние результаты основаны на более ранней работе доктора Чана, который обнаружил, что пациенты с высоким бременем опухолевых мутаций и дефицитом репарации ДНК хорошо реагируют на терапию иммунных контрольных точек. Эти результаты были подтверждены клиническими испытаниями, и FDA одобрило как первые одобрения, не зависящие от типа опухоли, для любой терапии рака.

Иммунные контрольные точки — это белки на определенных иммунных клетках (Т-клетках), которые при активации или «включении» предотвращают слишком сильные иммунные реакции и разрушение здоровых клеток. Некоторые раковые клетки способны перехватывать сигналы контрольных точек, чтобы замаскироваться и избежать воздействия иммунной системы пациента. Ингибиторы контрольных точек — это класс иммунотерапевтических препаратов, которые не позволяют раковым клеткам активировать эти контрольные точки.

Однако ICB эффективен не при всех типах рака. Даже при раке, реагирующем на ICB, половина или более всех пациентов, получавших ICB, не получают клинической пользы. Предыдущие исследования выявили некоторые биомаркеры и геномные особенности, связанные с эффективностью ICB, но ни один из факторов не может считаться оптимальным предиктором результатов лечения.

В этом исследовании доктор Чан и его коллеги разработали свою модель, используя набор данных, содержащий информацию о клиническом, опухолевом и генетическом секвенировании почти 1500 пациентов с 16 различными типами рака, которые лечились двумя разными типами ингибиторов иммунных контрольных точек (в частности, PD-1 / Ингибиторы PD-LI и блокада CTLA-4) или их комбинация. Затем они применили алгоритм, который включал многие генетические, молекулярные, клинические и демографические переменные, некоторые из которых, как было показано, связаны с ответом ICB.

Интересно, что исследователи обнаружили, что переменная, оказывающая наибольшее влияние на ответ ICB, — это мутационная нагрузка опухоли (частота определенных мутаций в генах опухоли), за которой следует история химиотерапии пациента. Уровни трех маркеров крови — гемоглобина, тромбоцитов и альбумина — также имели сильную прогностическую ценность не только для прогнозирования общей выживаемости пациентов, но и для фактического радиографического ответа на лечение ICB.

«Ключевым моментом здесь является то, как все эти переменные работают вместе, — сказал д-р Чан. «Эта модель показывает, что вместо одного прогностического биомаркера мы движемся к многофакторной номограмме для клинического использования».

Полностью интегрированная модель команды оказалась очень точной, значительно превзойдя два других инструмента прогнозирования, включая бремя мутаций опухоли, которое FDA одобрило в 2020 году в качестве биомаркера для прогнозирования эффективности ICB против PD-1 в солидных опухолях.

«Модель работает хорошо, независимо от того, какой тип рака оценивается, что показывает, что важны эти общие черты», — объясняет д-р Чан. «Это основные факторы, которые влияют на реакцию ICB. Факторы могут немного по-разному оцениваться от рака к раку, но это почти как общий язык для прогнозирования ответа».

Взятые вместе, положительные результаты подтверждают продвижение вперед к тестированию модели в клинических испытаниях с большой, разнообразной когортой больных раком, что обеспечит более точную оценку ее эффективности в реальных условиях.

Исследование частично финансировалось Национальным институтом рака (входит в состав Национальных институтов здравоохранения).