Kaplan Development Group LLC (New York)

酒渣鼻是一种慢性皮肤病，可能导致痤疮样丘疹、血管破裂、皮肤增厚和面部潮红。 在一项新的研究中，来自匹兹堡大学的研究人员发现一种名为SYM2081的化合物抑制了小鼠模型和人类皮肤样本中驱动炎症的肥大细胞，为预防由肥大细胞驱动的瘙痒、荨麻疹和其他皮肤病症状的新型局部治疗铺平了道路。这一结果表明，一种治疗酒渣鼻（rosacea）和其他炎症性皮肤病的新方法可能即将出现。 相关研究结果发表在2024年12月11日的Science Translational Medicine期刊上，论文标题为“Agonism of the glutamate receptor GluK2 suppresses dermal mast cell activation and cutaneous inflammation”。 论文通讯作者、匹兹堡大学皮肤病学与免疫学教授Daniel Kaplan博士说，“我对这项研究的临床可能性感到非常兴奋。目前，没有很多靶向肥大细胞的好疗法，所以我们认为我们的方法可能对许多皮肤病有巨大的好处，包括酒渣鼻、湿疹、荨麻疹和肥大细胞增多症。” 肥大细胞充满了微小的包裹或颗粒，每个包裹或颗粒都充满了组胺和其他化合物，这些化合物充当炎症途径的信号或激活剂。 当肥大细胞被激活时，这些包裹会打开，释放出引发一系列免疫反应的化合物。这种称为脱颗粒（degranulation）的过程对于抵御蜂毒、蛇咬伤和致病菌等威胁至关重要，但肥大细胞的错误激活也会引发过敏反应，包括肿胀、荨麻疹、瘙痒，在严重的情况下还会引发过敏性休克。 在之前的一篇论文（Cell, 2021, doi:10.1016/j.cell.2021.03.002）中，Kaplan和他的团队发现，皮肤中的神经元会释放一种名为谷氨酸的神经递质，抑制肥大细胞。当他们剔除这些神经元或抑制识别谷氨酸的受体时，肥大细胞变得过度活跃，导致更多的炎症。 Kaplan说,“这一发现让我们想知道，采取相反的做法是否会产生有益的效果。如果我们激活谷氨酸受体，也许我们可以抑制肥大细胞的活动和炎症。” 激活GluK2在体内抑制小鼠和人肥大细胞脱颗粒，但不影响肥大细胞数量 为了验证这一假设，论文第一作者、清华大学医学生张友兰（作为Kaplan实验室的访问学者进行了这项研究）和匹兹堡大学皮肤病学系的研究助理教授Tina Sumpter博士研究了一种名为SYM2081或4-甲基谷氨酸（4-methylglutamate）的化合物，该化合物激活了一种几乎只存在于肥大细胞表面上的谷氨酸受体GluK2。 果然，他们发现SYM2081有效地抑制了小鼠和人类皮肤样本中肥大细胞的脱颗粒和增殖。当小鼠在出现酒渣鼻或湿疹样症状之前涂抹含有SYM2081的局部乳膏时，皮肤炎症和其他疾病症状要轻得多。 根据Kaplan的说法，这些发现表明，用含有GluK2激活化合物的日霜抑制肥大细胞可能是预防酒渣鼻和其他炎症性皮肤病的一种有前景的方法。 酒渣鼻是一种慢性皮肤病，可能导致痤疮样丘疹、血管破裂、皮肤增厚和面部潮红。Kaplan说，“尽管有针对不同类型酒渣鼻的优秀疗法，但许多都是基于抗生素的，它们只针对一些症状。目前还没有治疗潮红的好方法，因此这是一个尚未满足的重大需求。我们的研究表明，通过激活GluK2抑制肥大细胞可以减少与酒渣鼻相关的潮红。” 鉴于作者展示了对他们方法的概念证明，他们希望设计出新的GluK2激活化合物，以便最终可以在临床试验中进行测试。此外，通过匹兹堡大学创新创业办公室创新研究所，他们还申请了使用SYM2081抑制肥大细胞功能的专利。（生物谷 Bioon.com） 参考资料： Youran Zhang et al. Agonism of the glutamate receptor GluK2 suppresses dermal mast cell activation and cutaneous inflammation. Science Translational Medicine, 2024, doi:10.1126/scitranslmed.adq9133.

ya「预训练结束了」言论一出，圈内哗然。谷歌大佬Logan Klipatrick和LeCun站出来反对说：预训练还没结束！Scaling Law真的崩了吗？Epoch AI发布报告称，我们已经进入「小模型」周期，但下一代依然会更大。 最近，Ilya在NeurIPS 2024中宣布：预训练结束了！瞬间一石激起千层浪。 在他看来，数据如同化石燃料般难以再生，因此训练模型需要的海量数据即将枯竭。 作为前OpenAI首席科学家，Ilya的这番话，有可能影响之后数十年的AI发展方向。 不过，预训练真的结束了吗？ 最近，几位圈内大佬，就公开站出来质疑和反对Ilya了。 谷歌大佬Logan Kilpatrick是这样内涵Ilya的：认为预训练结束，恐怕是因为你缺乏想象力。 前Meta具身智能团队的高级总监Dhruv Batra也站出来共同表示：Ilya错了！ 在他看来，人类的数据还没有用完。 我们只是用完了人类书写的文本而已，但我们拥有的视频数量，依然远超我们的处理能力，目前只是尚未解决视觉领域的预训练问题罢了。 的确，要知道，网络上的文本公共数据，毕竟只是冰山一角而已。 我们除了文本，还能对音频、视频、图像进行预训练，甚至可以把视觉、嗅觉、触觉、平衡和传感器这些人类进化出来的功能赋予机器。 而如果模型真的可以学习的话，那数据或许确实是无所不在。 有人则充分放分想象：如果预训练能和生物相连，那它的确永远不会结束。 种种事件表明，我们已经站在了一个发展路线的分水岭。 Ilya、LeCun甚至奥特曼，都已经感觉到：目前的发展路线不能再延续下去了，我们亟需探索新的出路。 早期，Ilya曾是暴力Scaling的早期倡导者之一，认为通过增加数据和算力来「scale up」，能显著改善模型性能。 但现在，Ilya已经承认自己曾经的想法错了，并透露SSI正在研究一种全新的替代方法，来扩展预训练。 相较之下，外媒SemiAnalysis则在一篇关于o1的深度报道中指出——scale的维度远不止预训练，Scaling Law仍将继续下去。 最近，Epoch AI研究员的一篇长文，更是直观地展示了这个「矛盾」的现象。 从2017年Transformer架构诞生到GPT-4发布，SOTA模型的规模一直在变大，但增幅在变小。 从GPT-1到GPT-3，用了2年时间，模型参数量从1.17亿增加到1750亿，增加了1000倍 从GPT-3到GPT-4，用了2年9个月，模型参数量从1750亿增加到1.8万亿，增加了10倍 而到了2023年，这一趋势直接发生了逆转。 据估计，当前SOTA模型的参数可能要比GPT-4的1.8万亿小一个数量级！ GPT-4o大约为2000亿参数 Claude 3.5 Sonnet约为4000亿参数 但有趣的是，下一代模型的规模，可能又会重新超过GPT-4。 尽管许多实验室没有公开模型架构，Epoch AI的研究员依然从蛛丝马迹中发现了线索。 首先是开源模型的证据。根据Artificial Analysis的模型质量指数，当前最佳的开源模型是Mistral Large 2和Llama 3.3，分别拥有1230亿和700亿参数。 这些稠密模型，架构与GPT-3相似，但参数更少。它们总体的基准表现超过了GPT-4和Claude 3 Opus，且由于参数更少，它们的推理成本和速度也更优。 对于闭源模型，尽管我们通常无法得知参数详情，但可以根据推理速度和收费推测它们的大小。 仅考虑短上下文请求，OpenAI提供的2024年11月版本GPT-4o，每个用户每秒100-150个输出token，收费每百万输出token 10美元；而GPT-4 Turbo每秒最多大约55个输出token，费用是每百万输出token 30美元。 显然，GPT-4o比GPT-4 Turbo更便宜且更快，因此它的参数可能比GPT-4小得多。 另外，我们还可以使用推理经济学的理论模型，来预测GPT-4在H200上进行推理的成本。 假设使用H200进行推理的机会成本为每小时3美元，下面的图显示了不同价格点下，GPT-4及其假设缩小版的生成速度。 总体来说，为了让模型每秒生成100个以上的token并且能够流畅服务，模型需要比GPT-4小得多。 根据上图，假设OpenAI的价格加成大约是GPU成本的八分之一，GPT-4o的参数量可能在2000亿左右，虽然这个估计可能有2倍的误差。 有证据表明，Anthropic的Claude 3.5 Sonnet可能比GPT-4o更大。Sonnet每秒生成约60个token，每百万输出token收费15美元。这速度在优化设置下接近原版GPT-4的收支平衡点。 不过，考虑到Anthropic API可能加价不少，Sonnet参数规模仍显著小于GPT-4，估计在4000亿左右。 总体来看，当前前沿模型的参数大多在4000亿左右，像Llama 3.1 405B和Claude 3.5 Sonnet可能是最大的。 虽然对于闭源模型的参数估计有很大的不确定性，但我们仍然可以推测，从GPT-4和Claude 3 Opus到如今最强的模型，规模缩小的幅度可能接近一个数量级。 针对这一现象，Epoch AI认为有四个主要原因： 自ChatGPT和GPT-4发布以来，AI产品需求激增，服务商面临的推理请求大大超出预期。 此前，从2020年到2023年3月，模型训练的目标是最小化训练计算量，即在固定的能力水平下，花费尽可能少的计算资源完成训练。Kaplan和Chinchilla的Scaling Law建议，随着训练计算量的增加，模型规模也应扩大。 随着推理成本占据支出的大头，传统法则的适用性受到了挑战。相比scaling模型规模，在更多训练数据（token）上训练较小的模型反而更划算，因为较小的模型在推理阶段的计算需求较低，能够以更低的成本服务用户。 比如，从Llama 2 70B到Llama 3 70B，虽然模型参数规模没有显著增加，但模型的性能却显著提升。 这是因为通过过度训练（在更多数据上训练较小的模型），可以让模型在保持小规模的同时，表现得更强大。 实验室还采用了「蒸馏」方法，从而让更小的模型表现得更强大。 蒸馏指的是让小模型模仿已经训练好的大模型的性能。 蒸馏方法有很多种，其中一种简单的方法是使用大模型生成高质量的合成数据集来训练小模型，而更复杂的方法则需要访问大模型的内部信息（如隐藏状态和logprobs）。 Epoch AI认为，GPT-4o和Claude 3.5 Sonnet很可能是从更大的模型蒸馏得到的。 Kaplan Scaling Law（2020）建议，模型的参数量与训练用的token数量（即数据量）应保持较高的比例。简单来说，当你增加训练数据时，应该相应增加模型的规模（参数量） 而Chinchilla Scaling Law（2022）则偏向于更多训练数据和更少的参数。模型不必越来越大，关键在于训练数据的规模和多样性。 这个转变导致了训练方式的改变：模型变得更小，但训练数据更多。 从Kaplan到Chinchilla的转变，并非因为推理需求的增加，而是我们对如何有效scaling预训练的理解发生了变化。 随着推理方法的改进，模型生成token的效率和低延迟变得更加重要。 过去，判断一个模型「足够快」的标准是看它的生成速度是否接近人类的阅读速度。 然而，当模型在生成每个输出token时需要先推理出多个token时（比如每个输出token对应10个推理token），提升生成效率就变得更关键。 这推动了实验室，像OpenAI，专注于优化推理过程，使得模型在处理复杂推理任务时能够更高效运行，也因此促使它们缩小模型的规模。 越来越多的实验室开始采用合成数据作为训练数据来源，这也是促使模型变小的原因之一。 合成数据为训练计算scaling提供了一种新的途径，超越了传统的增加模型参数量和训练数据集大小的方法（即，超越预训练计算scaling）。 我们可以生成将来用于训练的token，而不是从互联网上抓取它们，就像AlphaGo通过自我对弈生成训练数据一样。 这样，我们可以保持Chinchilla Scaling Law下计算最优的token与参数比例，但通过生成数据时为每个token投入更多计算，从而增加训练计算量而不增加模型大小。 2023年4月，OpenAI发布了当时最强的，同时也是第一款未公开参量的模型GPT-4。 之后不久，CEO奥特曼曾预言了模型参数竞赛的终结：围绕模型参数量的竞赛，就像历史上对更高处理器主频的追求，是一个死胡同。 那么，前沿模型的规模会不会越变越小呢？ 简短的答案是——可能不会。但也很难说是否应该期待它们在短期内变得比GPT-4更大。 从Kaplan到Chinchilla的转变是一次性的，因此我们没有理由期待它继续让模型变小。 GPT-4发布后的推理需求增长也可能快于未来推理支出的增长速度。且合成数据和scaling计算并非每个实验室都在采纳——即使有高质量的训练数据，对于非常小的模型而言，能够取得的成就可能非常有限。 此外，硬件的进步可能会促使更大的模型变得更优，因为在相同预算下，大模型通常表现更好。 较小的模型在推理时可能表现更差，尤其在长上下文和复杂任务上。 未来的模型（如GPT-5或Claude 4）可能会恢复或稍微超过GPT-4的规模，之后是否继续缩小规模难以预料。 理论上，当前硬件足以支持比GPT-4大50倍、约100万亿参数的模型，可能以每百万输出token 3000美元、每秒10-20个token的速度提供服务。 但正如Karpathy所说，相比于如今这种只能根据prompt去解决博士级别问题的AI，一个能够真正作为「实习生」入职的AI更为实用。 参考资料： https://epoch.ai/gradient-updates/frontier-language-models-have-become-much-smaller https://x.com/OfficialLoganK/status/1868002617311596552 https://x.com/DhruvBatraDB/status/1868009853324865762 https://x.com/karpathy/status/1868061331355840704 本文来自微信公众号“新智元”，作者：新智元，编辑：编辑部 HZj，36氪经授权发布。

与传统肿瘤治疗方法（如手术、放疗、化疗）相比，癌症免疫治疗属于一个新兴的领域，旨在 通过恢复免疫系统，以识别和摧毁肿瘤细胞 。其中， 以免疫检查点抑制剂（ICI）为代表的免疫治疗被认为是肿瘤治疗的里程碑 ，通过 激活T细胞、促进细胞毒性信号通路、杀伤肿瘤细胞 ，彻底 改变了晚期恶性肿瘤的治疗，有效提高了患者的总体生存率 。然而，免疫疗法的治疗效果各不相同，仍然迫切需要确定治疗反应和耐药性的预测因素，并制定协同策略来增强治疗反应。 随着新一代测序和微生物组技术的不断迭代，大量研究表明， 肠道菌群组成与肿瘤有着密切的关联，会影响肿瘤的发生、发展及对免疫治疗的反应。 通过调节肠道菌群，可增加实体肿瘤对ICI的敏感性，增强免疫治疗反应，减少并发症，从而提高晚期恶性肿瘤患者的生活质量，延长其生存期、改善患者的预后。值得一提的是， 在刚刚结束的2024年美国临床肿瘤学会（ASCO）年会上，报道了两项关于粪菌移植治疗癌症患者新发或难治性免疫性结肠炎的相关研究 ，再次验证了肠道菌群在提高抗癌疗效、改善癌症治疗副作用方面的独特魅力。 肠道菌群：开启肿瘤治疗新时代 肠道拥有百万亿的微生物群（例如与人体内共生的细菌、真菌、病毒等）和庞大量级的神经元，被誉为一个“超级器官”，肠道微生物群落与其代谢产物，在众多因素中保持着抑制和促进肿瘤发生的微妙平衡，对人体的免疫和代谢有显著影响。鉴于微生物组具有多方面的抗癌作用，微生物组失调会严重影响癌症治疗的反应和结果。 2015年《科学》杂志上，首次提出了肠道微生物群在免疫疗法反应中的作用。肠道菌群可产生强大的免疫反应，在 调节宿主的免疫调节、维持肿瘤微环境（TME） 和 癌症免疫稳态方面 发挥着独特的作用。重要的是，与肿瘤基因组学不同，肠道微生物群是可改变的。因此，对免疫检查点抑制剂治疗无效的患者进行粪便菌群移植，有望为患者带来更好的预后。目前可通过多种方式，如 饮食干预、补充益生菌或益生元、粪便菌群移植（FMT） 等（详见下图），来改变肠道菌群的组成，从而改善癌症治疗反应。其中，较为直接且成熟的调节菌群方式是通过FMT。 图1 肠道微生物组与癌症免疫治疗的潜在机制与结果 ▲图源“ASCO Publications”，版权归原作者所有，如无意中侵犯了知识产权，请联系我们删除 粪便菌群移植（FMT）是从健康个体捐献的粪便中，分离出粪便菌群，以菌液或荚膜的形式 ，通过 内窥镜灌注 或 胶囊口服 的方式， 移植到患者肠道中 ， 以重建新的肠道菌群，恢复微生物的多样性 （详见下图）。 ▲图源“Curr Treat Options Oncol”，版权归原作者所有，如无意中侵犯了知识产权，请联系我们删除 研究显示，粪便菌群移植（FMT）正在免疫疗法环境中的多项临床试验中进行研究，可在对ICI治疗无效的患者中产生反应，是一种极具潜力的肿瘤治疗新方法，预计通过调整肠道菌群、优化免疫治疗，以提高晚期恶性肿瘤患者的生活质量，延长其生存期。 粪便微生物群移植荣登2024 ASCO大会，剑指难治/新发的免疫介导性结肠炎 剑指难治性免疫介导性结肠炎，超80%的患者获得临床缓解 ▲截图源自“ASCO Publications” 粪便微生物群移植（FMT）在治疗免疫检查点抑制剂所致的难治性免疫介导性结肠炎（IMC）方面，显示出良好的疗效。一项“ 通过粪便移植，改善免疫检查点抑制剂（ICI）所致结肠炎 ”的临床研究（NCT03819296），共入组59例患者，其中，大多数患者的 腹泻高峰等级≥3（94.9%）、结肠炎等级≥2（91.5%） 。96.6%的患者接受了 皮质类固醇 治疗，91.5%的患者接受了 维多珠单抗或英夫利昔单抗 治疗，结果显示如下： 1、入组接受粪便微生物群移植（FMT）治疗后， 症状反应为84.7% ，中位反应时间为4天。 2、 84.7%（50例）的患者表现出临床缓解 ，其中， 18.6%（11例）的患者能够恢复免疫检查点抑制剂（ICI）治疗 ，其中 9例患者保持缓解状态 。 3、在PRO分析中，观察到粪便微生物群移植后12周内，患者的 腹泻 （61%~11%，p<0.01）、 腹胀 （36%~7%，p<0.05） 症状显著改善 ， 中度至重度症状减少了49.4% 。 综上，FMT可作为对标准治疗效果不佳的难治性免疫介导性结肠炎的潜在治疗选择，以避免长期依赖类固醇和免疫抑制。 新诊断免疫介导性结肠炎FMT治疗后，超60%的患者恢复癌症治疗 ▲截图源自“ASCO Publications” 2024年ASCO大会还报告了一项“ 粪便微生物群移植（FMT）治疗新发的免疫介导性结肠炎（IMC），初步临床试验（NCT0403861）数据 ”。本次研究共纳入12例患者，在免疫介导性结肠炎（IMC）发病后中位31天（IQR：16~67天）内，接受一线粪便微生物群移植（FMT）治疗。 结果显示， 83.3%的患者在粪便微生物群移植（FMT）治疗后1~7天内（中位5天），症状就已获得改善 。其中， 75% （9例）患者在随访结束时， 结肠炎缓解 ； 63.6% （7例）患者在FMT治疗后， 能恢复癌症治疗 ； 33.3% （4例） 患者可恢复免疫检查点抑制剂（ICI）治疗 ，且恢复ICI治疗的患者中，无一例出现结肠炎复发。 综上，该研究表明，粪便微生物群移植（FMT）可成为免疫介导性结肠炎（IMC）的有效一线治疗方法，并能快速缓解大多患者的症状，同时避免使用类固醇药物。 如果您还想了解粪菌移植、定制益生菌或肠道菌群的更多辅助抗癌讯息，可提交资料至 全球肿瘤医生网医学部评估 。 肠道菌群：降低癌症治疗副作用的“全能选手”，开启全新抗癌模式 目前传统抗癌手段（如手术、放化疗等），在抗癌的同时，还可能产生诸多副作用，不仅影响后续的治疗，还可能影响患者的生存质量。不过值得欣慰的是，近年随着益生菌等肠道菌群的应用，有助于降低或预防抗癌过程中产生的部分副作用。 长双歧杆菌促进肝细胞癌患者，术后肝功能恢复 肝细胞癌（HCC）约占原发性肝癌病例的90%，是癌症死亡的第三大原因。对于肝脏残留功能充足的早期和部分中期肝细胞癌患者，推荐 手术切除 作为主要治疗方法。然而，肝切除术后 肝功能恢复（LFR）速度及程度 ， 是影响肝细胞癌患者预后的关键因素之一 。 近期研究显示， 肠道微生物群可以通过肠肝轴来调节肝功能 ，在接受肝切除术的HCC患者中发挥的重要作用，即 术后肝功能衰竭与肠道微生物显著相关 。 我国进行过一项“ 利用长双歧杆菌，促进肝细胞癌患者术后肝功能恢复 ”的临床研究。该研究共入组169例可评估疗效的患者，将其分为两组，即 干预组 [BL，83例患者，在围手术期接受了含长双歧杆菌（BL）的益生菌混合物]、 对照组 （CON，86例患者，未接受益生菌混合物或任何其他益生菌补充剂）。结果显示如下： 1、 肝功能恢复情况 ：评估了肝切除术后第5天，所有患者的肝功能恢复情况。BL组（长双歧杆菌干预组）术后恢复延迟（DR）的患者数量为 11% （9/83例），而CON组（对照组）术后恢复延迟（DR）的患者数量高达 33% （28/86例）。显然， BL组术后恢复延迟恢复的患者数量明显低于对照组 ，换言之， 长双歧杆菌干预组术后肝功能恢复（LFR）情况更好 （详见图2）。 图2 CON组（对照组）与BL组（长双歧杆菌组）之间的LFR率比较 ▲图源“Cell Host Microbe”，版权归原作者所有，如无意中侵犯了知识产权，请联系我们删除 2、 术后住院时间 ：BL组（长双歧杆菌干预组）术后住院时间平均为 8.34 天 ，而对照组则为 9.67天 。显然， BL组患者的住院时间更短 （详见图3）。 图3 CON组与BL组患者术后住院时间比较 ▲图源“Cell Host Microbe”，版权归原作者所有，如无意中侵犯了知识产权，请联系我们删除 3、 总生存期（OS） ：经过为期1年的随访（截至2023年6月），根据Kaplan-Meier统计， BL组（长双歧杆菌干预组）患者的总生存期（OS），明显长于CON组 （详见图4）。 图4 肝细胞癌患者的OS率 ▲图源“Cell Host Microbe”，版权归原作者所有，如无意中侵犯了知识产权，请联系我们删除 综上， BL的益生菌混合物可显著提高肝功能恢复（LFR）正常的患者比例、缩短住院时间、延长总生存期（OS） 。 多款益生菌：降低放疗口腔黏膜炎的发生概率 放射治疗（即放疗）是通过破坏癌细胞的DNA，从而杀伤肿瘤的方法。放疗不仅能杀死癌细胞，还可能会对正常组织造成不同程度的损害。一方面，可能会 破坏共生肠道微生物的丰度及多样性 ，引起 肠道菌群失调、破坏胃肠黏膜屏障 ，从而导致 胃肠道损伤、口腔黏膜炎 等副作用；另一方面，还可能 造成免疫调控异常 ，从而 增加患者的感染风险 ，上述不良影响，最终都可能导致患者无法顺利完成规定疗程的治疗。 其中，口腔黏膜炎是放疗的常见副作用之一，可能会 影响患者的进食，显著降低生活质量 。值得欣慰的是，研究显示 多款益生菌（如乳酸乳杆菌BCMC12451、长双歧杆菌BCMC02120、屎肠杆菌、短乳杆菌CD2等） ，可通过 促进细菌菌群的生长及保护 ，来 改善口腔黏膜炎的严重程度、降低严重口腔黏膜炎的发生概率 。 粪便微生物群移植：缓解化疗所致的胃肠道反应 化学药物治疗（即化疗）可能 破坏机体的微生物组 ，从而增加微生物侵入性感染的风险；还可能造成 肠道菌群失衡、黏膜炎、胃肠道反应 等一系列副作用。其中，胃肠道反应是癌症化疗后常见的临床反应之一，患者可能出现 厌食、恶心、呕吐、便秘、腹泻 等一系列表现。尤其是一些 免疫功能低下、高龄、合并特殊致病微生物感染 或 中性粒细胞减少 的患者，其化疗副作用往往更加明显，不仅严重影响患者的生活质量、增加治疗风险，还可能导致患者无法完成全部疗程的化疗，最终影响治疗效果及预后。 因而，适时开展 肠道微生态（IM）检测 ，并根据IM检测结果，选择 粪便微生物群移植（FMT）、定制益生菌调理 等措施，有助于 改善化疗等抗癌治疗所致的胃肠道不良反应，提高患者的生活质量及治疗耐受度 。 小编寄语 通过调整肠道菌群，有助于改善患者的整体健康状况、提高抗癌及免疫治疗效果、降低手术及放化疗的副作用。目前，肠道菌群调节是继癌症疫苗、免疫细胞疗法之后，抗癌领域的又一大热方向。未来有望将 粪菌移植、活性益生菌定制、补充益生元 及 饮食调理 等多种治疗策略整合归一，真正地实现对肠道菌群的“个体化精准”调控，最终有望实现“无痛抗癌”的美好愿景。 最后需要提醒大家的是，癌症患者因各种原因，无法维持正常的营养需求及健康体重时，需接受专业的营养支持，包括 口服营养补充 或 肠外营养支持 参考资料 [1]Charles B,et al.Clinical Applications of the Gut Microbiome in Genitourinary Cancers. Am Soc Clin Oncol Educ Book 44, e100041(2024). https://ascopubs.org/doi/10.1200/EDBK_100041 [2]McQuade JL,et al.Gut Microbiome Modulation Via Fecal Microbiota Transplant to Augment Immunotherapy in Patients with Melanoma or Other Cancers. Curr Oncol Rep. 2020 Jun 24;22(7):74. https ://www.ncbi.nlm.nih.gov/pmc/articles/PMC7685568/ [3]Zhang J,et al.Cancer Immunotherapy: Fecal Microbiota Transplantation Brings Light. Curr Treat Options Oncol. 2022 Dec;23(12):1777-1792. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9589549/ [4]Malek Shatil,et al.Effect of fecal transplantation on patient reported outcomes after immune checkpoint inhibitor colitis.. JCO 42, 2517-2517（2024）. https://ascopubs.org/doi/10.1200/JCO.2024.42.16_suppl.2517 [5]Varatharajalu K,et al.First-line treatment of fecal microbiota transplantation for immune-mediated colitis[J]. 2024. https://ascopubs.org/doi/10.1200/JCO.2024.42.16_suppl.2660 [6]Yu J,et al.Bifidobacterium longum promotes postoperative liver function recovery in patients with hepatocellular carcinoma[J].Cell Host & Microbe,2024, 32(1):131-144. e6. https://www.cell.com/cell-host-microbe/fulltext/S1931-3128(23)00461-4?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS1931312823004614%3Fshowall%3Dtrue