Tianjin Medical University

摘要：流感病毒的抗原漂移和抗原转变导致现有疫苗需每年更新，开发通用流感疫苗成为全球迫切需求。本文系统梳理了通用流感疫苗的常见抗原靶点及其在疫苗设计中的优缺点，总结了免疫聚焦策略、多靶点组合策略等主要设计方法，并详细介绍了不同技术路线下通用流感疫苗的最新研究进展，包括流感病毒平台、病毒载体平台、类病毒颗粒平台等，旨在帮助读者全面了解该领域的前沿动态。推荐阅读：盘点 | 中国25家流感疫苗企业及管线最新进展 扫描右边微信号，符合要求，即可加入流感疫苗研发微信群交流 一、流感的威胁与通用疫苗的必要性（一）流感的全球危害 季节性流感每年在全球导致 300 万至 500 万重症病例，29 万至 65 万人死亡。历史上已发生四次流感大流行，其中 1918 年的大流行造成约 1 亿人死亡，流感对全球公共卫生构成重大负担。 接种疫苗是减轻疾病负担和控制传染病的最有效措施。世界卫生组织（WHO）自 1952 年起建立了全球流感监测和应对系统（GISRS），每年根据 Ferrets 血清的抗原数据、人类样本的血清学分析和病毒序列数据，分别在 9 月和 2 月为南半球和北半球推荐下一季流感病毒的疫苗株。（二）现有疫苗的局限性 由于流感病毒的快速突变，流行株与疫苗株可能不一致，导致流感疫苗的有效性存在差异。此外，使用鸡胚生产季节性流感疫苗存在生产速度慢的问题，且当鸡胚中发生适应性突变时，会降低疫苗的有效性。更重要的是，新出现的流感大流行会使季节性流感疫苗几乎失效，而人群普遍缺乏免疫力会加剧症状。因此，开发有效的通用流感疫苗迫在眉睫。二、流感病毒与通用流感疫苗的标准（一）流感病毒及其突变 流感病毒属于正粘病毒科，是单链负链 RNA 病毒。其基因组分为 8 个片段，编码十多种蛋白质，主要包括血凝素（HA）、神经氨酸酶（NA）、核蛋白（NP）、两种基质蛋白（M1 和 M2）等。基于 NP 和 M1 的抗原差异，流感病毒可分为 A、B、C、D 四种类型。A 和 B 型流感病毒主要引起人类的季节性流行，其中 A 型流感病毒是流感大流行的主要原因。 A 型流感病毒根据 HA 和 NA 的序列相似性分为 18 个 HA 亚型（H1-H18）和 11 个 NA 亚型（N1-N11），HA 亚型还可基于相似性分为 Group I 和 Group II。B 型流感病毒仅有两个谱系：维多利亚谱系和 Yamagata 谱系。 流感病毒的突变主要通过抗原漂移和抗原转变实现。抗原漂移是由于流感病毒的 RNA 聚合酶缺乏校对活性，导致病毒蛋白发生点突变积累，或病毒蛋白糖基化，最终引起抗原性变化。季节性抗原漂移导致了流感的季节性流行，也是季节性流感疫苗需要每年更新的原因。抗原转变是指不同流感病毒感染同一宿主时，病毒基因组片段发生重排，可能产生新的亚型或毒株，人群对这些新亚型和毒株往往缺乏免疫力，从而引发大流行。（二）通用流感疫苗的标准 不同组织对通用流感疫苗制定了不同标准。美国国立卫生研究院（NIH）下属的国家过敏和传染病研究所（NIAID）在 2017 年 6 月设定的标准为：（1）对至少 75% 的症状性流感感染有保护作用；（2）适用于所有年龄组；（3）保护期超过 1 年或跨越多个季节；（4）对 A 型流感的 Group I 和 Group II 均有效，或也对 B 型流感有效。 世界卫生组织（WHO）在 2024 年也为通用流感疫苗制定了新标准：（1）适用于所有年龄组；（2）对当前流行的亚型至少提供 3 年的保护；（3）对当前流行的亚型的保护效果优于目前已批准的季节性流感疫苗。三、通用流感疫苗的抗原靶点与设计策略（一）通用流感疫苗的抗原靶点 HA、NA、NP、M1 和 M2 是通用流感疫苗设计中最常见的抗原靶点，具体信息如下表所示： 表 1：通用流感疫苗的五个常见靶点 HA：HA 是流感病毒表面的 I 型跨膜糖蛋白，以 homotrimer 形式存在，每个单体由可变的球状头部和较保守的茎部组成。针对 HA 头部的抗体通过阻止其与受体结合来中和病毒感染，通常具有株特异性；针对 HA 茎部的抗体可抑制病毒进入和释放，通常对多种毒株和亚型具有交叉保护作用。但针对 HA 茎部的抗体水平通常低于针对 HA 头部的抗体水平，需要通过稳定构象和多次免疫来提高。 NA：NA 是流感病毒表面的 II 型跨膜糖蛋白，以 homotetramer 形式存在，主要功能是切割唾液酸受体以促进子代病毒释放。抗 NA 抗体可能通过阻断子代病毒释放或通过抗体依赖的细胞毒性（ADCC）提供保护。NA 在抗原性上比 HA 更保守，抗 NA 抗体可诱导对同型和亚型流感病毒的保护。 M2：M2 是流感病毒表面的 III 型跨膜蛋白，以 homotetramer 形式存在，主要功能是通过控制内体和高尔基体中的 pH 来促进病毒进入和释放。M2 的 N 端 23 个氨基酸暴露在细胞外，具有高度保守性，称为 M2 胞外域（M2e）。抗 M2e 抗体不能阻止病毒进入，但可通过 ADCC 效应或招募先天免疫细胞杀死受感染细胞，在小鼠中可诱导良好的交叉保护 immunity。然而，M2e 本身的免疫原性较差，因此选择 M2e 作为通用流感疫苗的靶点时，通常需要多靶点组合或佐剂。 NP 和 M1：NP 和 M1 是流感病毒的内部蛋白，M1 有助于病毒颗粒的形成，NP 与病毒 RNA 结合形成复合物，有助于病毒复制。两者都含有高度保守的细胞毒性 T 细胞表位（CTLs），针对 NP 和 M1 的抗体可对不同亚型的流感病毒产生交叉保护 immunity。细胞毒性 T 细胞反应可降低重症率和死亡率，但不能预防感染，通常需要同时诱导抗体反应。 （二）通用流感疫苗的抗原设计策略 基于上述抗原靶点，通用流感疫苗的设计主要采用免疫聚焦策略、多靶点组合策略、T 细胞策略、计算优化的广泛交叉反应抗原策略（COBRA）和人工智能策略等。 免疫聚焦策略：该策略旨在将免疫反应集中在关键表位或保守表位上。由于 HA 茎部序列更保守，将免疫反应聚焦于 HA 茎部是通用流感疫苗开发的热点。例如，采用 “头部交换策略”，将外来禽流感 HA 的头部移植到人流感 HA 的茎部，可增强针对流感 HA 茎部的抗体，从而提高疫苗的交叉保护作用；采用 “结构生物学策略”，通过去除 HA 头部并对 HA 茎部进行结构修饰来稳定 HA 茎部，可在小鼠和灵长类动物中诱导交叉中和抗体，并保护小鼠免受多种流感毒株的感染。 但该策略通常依赖于目标表位天然构象的准确呈现，这对复杂的构象表位的疫苗设计提出了特别挑战，且免疫原的聚焦程度越高，其免疫原性可能越不足。 多靶点组合策略：该策略是将不同的抗原混合或将不同的抗原制备到同一载体上，目的是通过组合策略诱导广谱的抗体水平。例如，斯坦福团队通过共价偶联不同的 HA 抗原来设计广谱流感疫苗，与单独的 HA 混合物相比，接种偶联的异源抗原的小鼠可限制抗体亚型偏好；杜克大学开发了共表达 HA 和 NA 的方法，将该方法应用于季节性流感疫苗，不仅能引发对匹配毒株的强烈免疫反应，还能产生对异源病毒的更具交叉反应性的抗体谱。 不过，该策略可能导致疫苗的免疫反应偏向某一成分，且由于多靶点组合导致抗原总量增加，可能增加疫苗不良反应的风险，同时该策略的疫苗效果通常要求不低于单一成分，这增加了实验设计的复杂性和监管审批的难度。 T 细胞策略：T 细胞表位具有高度保守性，T 细胞免疫反应在保护个体免受病毒感染方面发挥着重要作用。因此，研究人员在设计广谱疫苗时经常采用 T 细胞策略，以激活体内的 T 细胞免疫反应。例如，马赛克算法通过在免疫原中呈现更多的 T 细胞表位，能在小鼠中诱导更强的交叉保护反应；基于计算机设计的 T 细胞表位疫苗已被证明可诱导病毒特异性 T 淋巴细胞反应，并对不同的流感病毒亚型提供部分保护。 但依赖 T 细胞策略的疫苗可能无法完全保护免受病毒感染，通常需要 B 细胞免疫的协同作用，且人群主要组织相容性复合体（MHC）的多样性和复杂性导致 T 细胞表位呈递存在差异，因此人群的免疫效果可能不同。 COBRA 策略：这是一种计算工具，提取免疫原中最保守的部分形成新的抗原，以诱导广泛的抗体反应。该策略旨在覆盖多种病毒的抗原，提高疫苗对病毒变异的抵御能力。例如，针对 H1 流感的 HA COBRA 疫苗可引发针对多种 H1 毒株的抗体；针对 H3 流感的 HA COBRA 疫苗对过去多种 H3 流感流行毒株的抗体反应优于野生型 HA 疫苗，更值得注意的是，通过该方法设计的疫苗能够中和未来出现的 H3 毒株。 但该策略过于依赖自然界中已存在的病毒序列，当出现新的或重组的病毒毒株时，其诱导的抗体可能无法中和这些新毒株，且 COBRA 策略的设计通常针对特定亚型，从而阻碍了实现跨亚型的全面保护。 人工智能策略：随着人工智能的快速发展，其在疫苗领域的作用日益突出。该策略是指利用机器学习或深度学习等算法工具合理设计免疫原、预测抗原表位和优先推荐抗原。例如，利用深度卷积神经网络（CNN）模型预测流感抗原性，用于流感疫苗株推荐，其性能优于世界卫生组织推荐的模型，并显示出持续良好的覆盖率；借助 H3 流感分离株的 HA 序列和相关数据，机器学习模型能够准确区分抗原变体和非变体，这对通用流感疫苗的开发具有重要意义。 然而，由于模型的可解释性差，当前人工智能策略设计的疫苗增加了监管审批的难度，且由于缺乏大量、长期的临床数据观察，这一新兴学科设计的疫苗的安全性未知。 综上所述，这五种主要策略在通用疫苗设计中各有优缺点。免疫聚焦、T 细胞和 COBRA 策略都侧重于更保守的表位，而多靶点组合策略侧重于免疫分散，人工智能策略侧重于选择有利的免疫原或预测未来可能的免疫原。未来在设计通用流感疫苗时，必须整合多种策略的优势，规避其劣势，以诱导高水平的交叉免疫反应。四、不同技术路线下的通用流感疫苗 基于上述抗原靶点和抗原设计策略，研究人员在不同技术路线下开展了通用流感疫苗的研发，主要技术路线包括流感病毒技术平台、病毒载体技术平台、类病毒颗粒技术平台（VLP）、纳米颗粒技术平台、重组蛋白技术平台和核酸技术平台。（一）基于流感病毒的通用流感疫苗 基于流感病毒的疫苗主要有灭活疫苗和减毒活疫苗两种类型。传统的基于全长 HA 的灭活流感疫苗难以诱导广泛的免疫反应，但杜克大学团队研发的聚焦于 HA 茎部的灭活疫苗在小鼠中引发了交叉保护反应（见表 2）。 在传统减毒流感疫苗的研发中，非人类来源的流感毒株很少被用作人类疫苗株。有趣的是，爱荷华州立大学的团队使用马源的减毒 H3N8 流感疫苗，在小鼠中诱导出针对季节性和高致病性流感的中和抗体，并在多种宿主中显示出免疫保护作用，这为控制跨物种传播的流感病毒带来了希望。此外，中国科学院团队基于蛋白水解靶向嵌合体（PROTAC）技术开发了减毒活流感疫苗，在小鼠和雪貂模型中诱导了针对同源和异源流感病毒的强效、广泛的体液、黏膜和细胞免疫。 表 2：处于临床前阶段的基于流感病毒技术平台的通用流感疫苗 近 3 年处于临床前和临床阶段的基于流感病毒的通用流感疫苗所使用的抗原靶点和设计策略如下表 3 所示，共有 9 种通用流感病毒基疫苗处于临床前阶段，2 种处于临床试验阶段。这些疫苗大多选择 HA 作为主要抗原设计靶点，且大多采用多靶点组合策略，同时结合免疫聚焦策略和人工智能等策略以进一步增强其广谱性，这凸显了 HA 靶点的重要性以及结合不同设计策略的重要性。 表 3 不同技术路线下处于临床阶段的通用流感疫苗 （二）基于病毒载体的通用流感疫苗 基于病毒载体的疫苗利用基因工程技术将流感抗原靶点插入病毒载体中，当重组病毒感染宿主细胞时，宿主细胞表达流感抗原以诱导免疫反应。常用的病毒载体有腺病毒载体、水泡性口炎病毒（VSV）载体和痘病毒载体等。 西奈山伊坎医学院和马里兰大学的团队开发的基于 H1 流感 HA 的腺病毒载体疫苗，单剂量在小鼠中诱导出针对 HA 茎部的抗体，并对同源和异源的大流行 H5 病毒提供 100% 的保护，可作为应对大流行流感的储备疫苗。天津医科大学和复旦大学的团队利用 chimpanzee 腺病毒载体（AdC68），结合多靶点策略（多种不同的流感 HA 头部）和免疫聚焦策略（一种流感 HA 茎部）设计的流感疫苗，诱导出高水平的针对同源大流行 H1N1、漂移的季节性 H1N1 和 H7N9 病毒的抗体产生，并对这些病毒提供完全保护，这种 “一茎多头” 的方法可对抗多种不同的流感亚型，是通用流感疫苗设计的一大创新。 表4 处于临床前阶段的基于病毒载体的通用流感疫苗 近 3 年处于临床前阶段的基于病毒载体的通用流感疫苗共有 16 种，这些疫苗的靶点选择更加多样化，包括 HA、NA、NP、M1 和 PB1，在多靶点组合策略设计的基础上结合了免疫聚焦或 T 细胞策略。其中有 9 项研究采用了 T 细胞策略，这表明 T 细胞策略在通用疫苗设计中的重要性。但近 3 年没有新的基于病毒载体的通用流感疫苗进入临床阶段。（三）基于 VLP 的通用流感疫苗 基于 VLP 的疫苗是通过在适当的表达系统（如昆虫细胞 - 杆状病毒系统、酵母细胞系统等）中重组表达流感病毒抗原蛋白，使其能够自组装形成类似于天然流感病毒的颗粒。VLP 模拟天然流感病毒的结构和空间构象，能有效刺激有利的免疫反应。 中山大学团队通过马赛克算法设计并制备了以 VLP 形式存在的针对流感 HA 和 NA 的流感疫苗，将两种 VLP 疫苗混合注射，在小鼠中诱导出比四价流感疫苗更广谱的中和抗体。佐治亚理工学院和西奈山伊坎医学院的团队开发的具有倒置 HA 的 VLP 疫苗，比传统疫苗诱导出更广泛的免疫反应，这表明通过控制抗原的取向可以使免疫集中在 HA 茎部。 表 5 处于临床前阶段的基于 VLP 的通用流感疫苗 近 3 年处于临床前阶段的基于 VLP 的通用流感疫苗共有 19 种，这些疫苗的抗原靶点通常不限于 HA，还在多靶点协同设计策略的基础上同时结合免疫聚焦或 T 细胞策略，这再次凸显了结合多种策略的重要性。但近 3 年没有新的基于 VLP 的通用流感疫苗进入临床阶段。（四）基于纳米颗粒的通用流感疫苗 基于纳米颗粒的流感疫苗是通过基因融合技术或体外粘附技术将流感抗原展示在纳米颗粒上制备而成的。中国科学院团队采用多靶点策略，将 HA 茎部表位、NP 保守表位和 M2e 串联连接到铁蛋白纳米颗粒上制备的流感疫苗，可诱导强烈的交叉反应免疫反应，且在接种后 6 个月仍具有保护作用。佐治亚州立大学团队将流感 HA 倒置插入由细胞外囊泡形成的纳米颗粒中制备的疫苗，可保护小鼠免受异源流感病毒的感染，这再次表明调整抗原的取向可使免疫反应聚焦于 HA 的茎部。此外，将流感的抗原靶点附着到 PLGA、PLA 和水凝胶等其他纳米颗粒上制备的疫苗，同样可诱导广谱且持久的免疫反应，这表明纳米技术平台是通用流感疫苗开发中非常有前景的平台之一。 表6 处于临床前阶段的基于纳米颗粒平台的通用流感疫苗 近 3 年处于临床前和临床阶段的基于纳米颗粒平台的通用流感疫苗共有 34 种处于临床前研究阶段，4 种处于临床试验阶段。这些疫苗的抗原设计靶点也不限于 HA，且大多采用多靶点组合策略，其中 13 种疫苗采用了免疫聚焦策略，凸显了免疫聚焦策略在通用疫苗设计中的优势。（五）基于重组蛋白的通用流感疫苗 基于重组蛋白的流感疫苗不需要表达完整的病毒蛋白，通常只需要在宿主细胞中重组表达免疫原性蛋白或蛋白的部分。此类蛋白疫苗不含病毒核酸，通常具有良好的安全性。佐治亚大学团队通过 COBRA 策略制备的针对流感 HA 或 NA 的流感蛋白疫苗，可诱导出针对过去 10 年分离的季节性流感病毒的中和抗体。杜克大学团队通过多靶点策略表达多种 HA 蛋白，然后将 HA 蛋白混合物注射到小鼠和雪貂中，诱导出针对 HA 茎部的中和抗体，能够保护其免受同源和异源流感病毒的感染，这表明多种 HA 蛋白的混合物可部分克服 HA 头部的免疫优势。中国疾控中心团队通过多靶点策略表达具有 HA、NA 和 M2e 保守肽段的重组蛋白疫苗，可诱导对多种流感毒株的广泛交叉保护，这表明这种肽段的蛋白疫苗也可能成为通用流感疫苗的有力候选者。 表 7 处于临床前阶段的基于重组蛋白的通用流感疫苗 近 3 年处于临床前和临床阶段的基于重组蛋白的通用流感疫苗共有 16 种处于临床前研究阶段，3 种处于临床试验阶段。这些疫苗在抗原选择上更加多样化，在多靶点组合策略的基础上更多地采用 T 细胞策略，可弥补蛋白疫苗细胞免疫的不足。处于临床阶段的疫苗均以 HA 为抗原靶点，这也凸显了 HA 抗原靶点的重要性。（六）基于核酸的通用流感疫苗 基于核酸的流感疫苗主要包括 DNA 疫苗和 mRNA 疫苗，其设计原理是通过向体内注射特定流感抗原的 DNA 序列或 mRNA 序列，利用宿主的转录 - 翻译系统合成病毒蛋白，从而激活免疫反应。中国科学院团队设计的基于流感 HA 茎部的 mRNA 疫苗，在小鼠中诱导出强烈的细胞和体液免疫，可完全保护小鼠免受同源和异源流感病毒的攻击。NIAID 和宾夕法尼亚大学的团队采用多靶点策略制备了针对 20 种流感 HA 亚型的 mRNA 疫苗，将这 20 种 mRNA 疫苗混合注射，在小鼠和雪貂中诱导出对匹配和不匹配的流感毒株的广谱保护，这可能是目前能够提供针对最多样化流感亚型保护的通用流感 mRNA 疫苗，也表明来自 mRNA 技术平台的疫苗可同时诱导针对多种抗原的抗体。此外，奥斯陆大学团队将 16 种亚型流感的 HA 设计为异二聚体形式的 DNA，制备了混合疫苗，这种混合形式的 DNA 疫苗可诱导针对 HA 保守表位的 T 细胞反应和交叉免疫反应，并产生针对未包含的 2 种亚型流感的中和抗体。 表 8 处于临床前阶段的基于核酸的通用流感疫苗 近 3 年处于临床前和临床阶段的基于核酸的通用流感疫苗共有 16 种处于临床前研究阶段，15 种处于临床试验阶段。这些疫苗往往没有单一的抗原靶点，而是采用多靶点组合策略，并结合 T 细胞和 COBRA 等其他策略，这也凸显了在通用疫苗设计中使用多个靶点和多种设计策略的重要性。五、结论与展望 通用流感疫苗的研发具有重要的公共卫生意义。近三年来，通用流感疫苗的研发取得了很大进展。许多新技术，如抗原突变库和倒置 HA，已被用于将免疫反应聚焦于保守的茎部，以及多靶点组合策略将多种抗原偶联到同一纳米载体中，以引发比单独混合更广泛的免疫反应。使用马源流感作为疫苗株可能减少免疫印记，同时增加疫苗的广谱性，这表明我们在疫苗免疫原选择上可以超越人类来源。上述六种疫苗开发平台都可以通过使用这些新兴的疫苗设计技术为通用流感疫苗的研发做出贡献。尽管目前尚未有获批的通用流感疫苗，但新技术的不断发展和应用将加速通用流感疫苗的研发和上市。 识别微信二维码，可添加药时空小编 请注明：姓名+研究方向！

准确的肿瘤类型定位对于确定恰当的治疗策略、优化临床结果以及使患者能够接受靶向治疗和临床试验至关重要。明确肿瘤类型及其原发部位，能让肿瘤科医生根据肿瘤的生物学特性为其制定个性化治疗方案。分子分析方面的最新进展改进了癌症分类，并推动了个性化医疗的发展。然而，尽管有这些创新，诊断复杂癌症，尤其是转移性肿瘤，仍是临床面临的一大挑战。 原发灶不明癌症（CUP）是肿瘤学中最具挑战性的临床情况之一。CUP 指的是尽管进行了广泛的诊断努力，包括组织病理学、影像学和分子检测，但原发部位仍无法确定的转移性肿瘤。在全球范围内，CUP 占所有癌症的 3%-5%，这些癌症通常具有侵袭性，对治疗有抗性，并且预后不良，中位生存期在 6-16 个月之间。由于原发部位未知，治疗通常采用经验性化疗，其效果不如针对特定部位的疗法。因此，确定肿瘤的组织来源对于扩大治疗选择和改善预后至关重要。尽管病理学，包括免疫组化、肿瘤形态学和临床发现，在确定原发肿瘤方面发挥着关键作用，但传统方法在高度转移性或低分化 CUP 病例中往往效果不佳。这些局限性，再加上观察者之间的差异，凸显了对更可靠诊断方法的迫切需求。 2025 年 9 月 4 日，天津医科大学李祥春、陈可欣等人在 Cell 子刊 Cell Reports Medicine 上发表了题为：Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data 的研究论文。 该研究开发了一款基于大语言模型的 AI 工具——OncoChat，其能够从基因组数据中对原发灶不明癌症（CUP）进行肿瘤类型分类和定位。 该研究开发的 AI 模型 OncoChat，通过整合多种基因组改变来对 69 种肿瘤类型进行分类。该模型基于 158836 个肿瘤的基因组数据开发而成，这些肿瘤是通过靶向癌症基因面板测序获得的。OncoChat 表现出色，微平均精确召回曲线下面积（PRAUC）达到 0.810，准确率为 0.774，F1 分数为 0.756，优于基准方法。 该研究的亮点： OncoChat 是一种大语言模型，能够根据基因组变异对肿瘤类型进行分类； OncoChat 能够以极高的准确度对已知和未知的原发性癌症进行分类； 结构变异整合极大地提高了肿瘤分类的准确性； OncoChat 预测对原发灶不明癌症患者的生存具有预后意义。 在 26 例原发灶不明癌症（CUP）的数据集中，OncoChat 正确识别了其中 22 例癌症类型。在两个更大的 CUP 数据集（n=719 和 158）中，OncoChat 预测的肿瘤类型与已知肿瘤类型的生存结果和突变谱一致。OncoChat 在临床决策支持方面展现出巨大潜力，特别是在处理原发灶不明癌症（CUP）患者方面。 论文链接： https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00405-7 推文用于传递知识，如因版权等有疑问，请于本文刊发30日内联系医药速览。 原创内容未经授权，禁止转载至其他平台。 ©2021 医药速览 保留所有权利 往期链接 “小小疫苗”养成记 | 医药公司管线盘点  人人学懂免疫学| 人人学懂免疫学（语音版） 综述文章解读 | 文献略读 | 医学科普|医药前沿笔记 PROTAC技术| 抗体药物| 抗体药物偶联-ADC 核酸疫苗 | CAR技术| 化学生物学 温馨提示 医药速览公众号目前已经有近12个交流群（好学，有趣且奔波于医药圈人才聚集于此）。进群请扫描上方二维码，备注“姓名/昵称-企业/高校-具体研究领域/专业”，此群仅为科研交流群，非诚勿扰。 简单操作即可星标⭐️医药速览，第一时间收到我们的推送 ①点击标题下方“医药速览”   ②至右上角“...”  ③点击“设为星标

【导读】 肿瘤类型分类对于有效的癌症治疗至关重要，然而目前基于基因组改变的方法缺乏灵活性且性能有限。‌ 近日， 天津医科大学研究团队在期刊《Cell Reports Medicine》上发表了研究论文，题为“Large language models enable tumor-type classification and localization of cancers of unknown primary from genomic data”，本研究中，研究人员推出 OncoChat，这是一种人工智能（AI）模型，通过整合多种基因组变异来对 69 种肿瘤类型进行分类。该模型基于 158836 例肿瘤的基因组数据开发而成。OncoChat 表现出色，其PRAUC达到 0.810，准确率为 0.774，F1 分数为 0.756，优于基准方法。在 26 例随后确诊的原发灶不明癌症（CUP）数据集中，OncoChat 正确识别了 22 例。在两个更大的 CUP 数据集（n = 719 和 158）中，OncoChat 预测的肿瘤类型与已知肿瘤类型的生存结果和突变谱一致。 OncoChat 在临床决策支持方面展现出巨大潜力，特别是在处理 CUP 患者方面。 https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00405-7 背景知识 01 原发灶不明癌症（CUP）是肿瘤学中最具挑战性的临床情况之一。CUP 指的是尽管进行了广泛的诊断努力，包括组织病理学、影像学和分子检测，但原发部位仍无法确定的转移性肿瘤。在全球范围内，CUP 占所有癌症的 3%-5%，这些癌症通常具有侵袭性，对治疗有抗性，并且预后不良，中位生存期在 6-16 个月之间。由于原发部位未知，治疗通常采用经验性化疗，其效果不如针对特定部位的疗法。因此，确定肿瘤的组织来源对于扩大治疗选择和改善预后至关重要。尽管病理学，包括免疫组化、肿瘤形态学和临床发现，在确定原发肿瘤方面发挥着关键作用，但传统方法在高度转移性或低分化 CUP 病例中往往效果不佳。这些局限性，再加上观察者之间的差异，凸显了对更可靠诊断方法的迫切需求。 罕见肿瘤分类性能 02 在全部队列中，OncoChat 在不同患病率阈值下对罕见癌症的分类表现更优。在 15% 的患病率阈值下，OncoChat 达到了更高的准确率（0.428 对比 OncoNPC 的 0.376 和 GDD-ENS 的 0.257）和 F1 分数（0.531 对比 0.474 和 0.358），在更严格的阈值下（ 对于超罕见肿瘤（ OncoChat 正确重新分类了 OncoNPC 和 GDD-ENS 误分类的 64 例和 133 例间皮瘤中的 21 例和 66 例，表明其敏感性有所提高。尽管所有模型在罕见肿瘤上的准确率都有所降低，但 OncoChat 的持续出色表现凸显了其在这一具有挑战性的领域中的相对优势，不过仍需进一步改进。 OncoChat 的预测性能在广泛的类别中得到了评估，包括胃肠道（GI）、胸部、乳腺和脑/中枢神经系统肿瘤，反映了基于解剖学和生物学特征对癌症进行临床分组的情况。该模型在这些类别中表现出了强大的性能。例如，胃肠道癌症——包括结直肠癌、胰腺癌和食管胃癌——的分类 F1 分数接近 0.98，突显了其出色的准确性和召回率。 在 CKP 测试集（n = 19,940）上，OncoChat 在类别层面实现了 0.831 的总体准确率和 0.827 的 F1 值，优于基准模型。相比之下，OncoNPC 的准确率为 0.776，F1 值为 0.772，而 GDD-ENS 则表现不佳，准确率为 0.681，F1 值为 0.676。 随着分类阈值变得更加严格，OncoChat 仍保持了较高的预测准确性，这表明其在各种临床场景中都具有可靠性。该模型能够在高置信度下保留大量样本的能力，证明了其在不同诊断情境中的通用性。 OncoChat 在各类癌症中的表现 结论 03 总之，OncoChat 在癌症诊断方面实现了重大突破，为已知和未知肿瘤的准确分类提供了强大的工具。通过整合基因组和临床数据，OncoChat 在从靶向基因组分析预测癌症类型方面表现出色，使其成为个性化医疗中颇具前景的诊断工具。随着模型的不断发展，它有可能改变临床实践，尤其是在对肿瘤分类要求极高的 CUP 等疑难病例中，精准的肿瘤分类对于改善患者预后至关重要。 参考资料： https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(25)00405-7 【关于投稿】 转化医学网（360zhyx.com）是转化医学核心门户，旨在推动基础研究、临床诊疗和产业的发展，核心内容涵盖组学、检验、免疫、肿瘤、心血管、糖尿病等。如您有最新的研究内容发表，欢迎联系我们进行免费报道（公众号菜单栏-在线客服联系），我们的理念：内容创造价值，转化铸就未来！ 转化医学网（360zhyx.com）发布的文章旨在介绍前沿医学研究进展，不能作为治疗方案使用；如需获得健康指导，请至正规医院就诊。 责任声明：本稿件如有错误之处，敬请联系转化医学网客服进行修改事宜！ 微信号：zhuanhuayixue 热门推荐活动 点击免费报名 点击对应文字 查看详情