《Cancer Immunology, Immunotherapy》：Dynamic circulating biomarkers for predicting adverse events in PRaG therapy: a pooled analysis and model construction from PRaG series clinical trials
编辑推荐：
本研究聚焦于PRaG疗法（PD-1/PD-L1抑制剂联合放疗和GM-CSF）在晚期实体瘤患者中的安全性问题。研究人员通过前瞻性纳入203例患者，系统描绘了PRaG疗法的真实世界不良事件（AEs）谱，并创新性地评估了AEs发生前一个周期（pre-AEs cycle）的动态循环生物标志物对中度至重度AEs（AE≥Grade2）的预测价值。研究成功构建并内部验证了一个非侵入性预测模型，该模型整合了IL-2、CD4+效应记忆T细胞、CD8+效应记忆T细胞及其比值等关键指标，显著提升了预测性能（AUC从0.685提升至0.867，独立验证AUC=0.913）。该模型为PRaG患者的临床早期预警和主动管理提供了有效工具，对推动该联合疗法的安全临床应用具有重要意义。
在肿瘤治疗领域，免疫检查点抑制剂（ICIs）的出现革新了晚期癌症的治疗格局。然而，单药免疫治疗的疗效有限，促使研究者探索联合治疗策略。其中，放射治疗（RT）与免疫治疗的组合展现出协同增效的潜力，即放疗可导致肿瘤抗原释放，激活免疫反应，而免疫检查点抑制剂则能解除T细胞的抑制状态，从而增强抗肿瘤效果。在此背景下，一种名为PRaG的新型强化联合方案应运而生，它结合了PD-1/PD-L1抑制剂、放射治疗以及粒细胞-巨噬细胞集落刺激因子（GM-CSF）。GM-CSF的加入旨在进一步促进抗原呈递细胞的活化和增殖，从而更有效地启动抗肿瘤免疫应答。PRaG疗法已作为国家卫生健康委员会推广的技术在中国应用，并显示出显著的生存获益。
然而，疗效的提升往往伴随着对安全性的担忧。联合疗法，尤其是加入了细胞因子GM-CSF后，是否会增加不良事件（AEs）的发生风险和严重程度，是临床医生密切关注的核心问题。既往研究表明，放疗联合免疫治疗虽可能增加任何级别AEs的总体发生率，但通常不增加≥3级严重不良事件的发生率。然而，对于PRaG这类三联疗法，其真实世界的安全性谱系尚不清晰。更重要的是，目前对于免疫治疗相关AEs的预测多依赖于治疗前的静态基线指标，或仅关注单一类型的生物标志物，难以捕捉治疗过程中免疫状态的动态、复杂演变，预测的敏感性和特异性有限。因此，系统描绘PRaG疗法的安全性特征，并建立一种能够动态、多维度预测AEs的有效工具，对于该疗法的安全、精准临床应用至关重要。
为了回答上述问题，一篇发表在《Cancer Immunology, Immunotherapy》上的研究进行了一项深入的汇总分析。该研究旨在明确PRaG疗法的AEs特征，并评估动态循环生物标志物对中度至重度AEs的预测价值，最终构建可靠的预测模型。
研究人员开展此项研究主要运用了以下几项关键技术方法：首先，他们前瞻性纳入了来自多项PRaG系列临床试验的203例晚期实体瘤患者，并将其分为生物标志物探索/模型构建队列（n=165）和独立内部验证队列（n=38）。其次，系统收集了患者基线特征、疗效（基于RECIST 1.1标准）、生存（OS, PFS）和不良事件（基于CTCAE 5.0标准分级）数据。核心在于，他们在治疗基线期和AEs发生前一个周期（pre-AEs cycle）动态采集了外周血样本，检测指标涵盖血常规、部分生化、细胞因子（如IL-2, IL-6, IFN-γ等）、基础淋巴细胞亚群以及精细分型的循环T淋巴细胞亚群（如 na?ve, 效应记忆, 中央记忆T细胞等）。最后，利用机器学习算法（包括逻辑回归、随机森林等）基于不同特征集（基础模型和联合模型）构建预测模型，并在独立队列中验证其性能。
患者基线特征与不良事件发生情况
研究共纳入165例患者进行生物标志物探索。根据最大治疗相关AEs严重程度，患者被分为AE≤1级组（n=94）和AE≥2级组（n=71）。两组患者在年龄、性别、ECOG评分和肿瘤类型上无显著差异，但AE≥2级组患者有肝转移的比例更高。在所有患者中，43%经历了AE≥2级，其中7.3%为≥3级严重AEs。不同类型AEs的发生时间存在差异，发热、皮疹等症状中位发生时间较早（约10天内），而甲状腺功能减退、肺炎、心肌炎等中位发生时间较晚（超过15天）。
不良事件与疗效的关系
生存分析显示，发生AE≥2级的患者其生存结局显著优于AE≤1级的患者。AE≥2级组的中位总生存期（OS）为15.80个月，显著长于AE≤1级组的9.47个月。同样，AE≥2级组的中位无进展生存期（PFS）为4.63个月，也显著长于AE≤1级组的3.53个月。这表明在PRaG治疗中，出现中度至重度AEs可能是治疗有效的潜在标志，反映了更强的免疫系统激活。
基线循环生物标志物的预测价值探索
通过单因素和多因素逻辑回归分析评估基线外周血指标对AE≥2级的预测价值。单因素分析发现红细胞计数、IL-2、IL-4、初始CD4+T细胞和CD4+效应记忆T（Tem）细胞等五个指标有预测价值，但多因素分析后，未发现任何基线指标是AE≥2级的独立预测因子。组间比较分析也仅显示基线IL-2和初始CD4+T细胞水平与AE风险相关，其他多数指标无显著差异。这提示静态的基线指标预测能力有限。
动态循环生物标志物的预测价值探索
研究人员将目光转向AEs发生前一个周期（pre-AEs cycle）的动态指标。单因素逻辑回归分析识别出9个有显著预测价值的指标，包括IL-2、IL-10、CD4+Tem细胞、CD8+Tem细胞、CD4+Tem/CD8+Tem比值等。随后的多因素分析进一步确定血小板计数、IL-2、CD4+Tem细胞、CD8+Tem细胞以及CD4+Tem/CD8+Tem比值是预测PRaG诱发AE≥2级的五个独立预测因子。组间比较结果支持了这一发现，显示pre-AEs周期的IL-2、IL-10水平升高，CD4+Tem细胞计数升高，以及CD8+Tem细胞计数降低与AE≥2级发生显著相关。这证实了动态监测相较于基线检测在预测AEs方面的优越性。
动态循环生物标志物预测模型的构建与验证
为了整合多模态数据提升预测性能，研究利用机器学习构建了预测模型。他们比较了两种特征集：基础模型（包含患者基线特征和pre-AEs周期的血常规、细胞因子、基础淋巴细胞亚群指标）和联合模型（在基础模型上增加了精细分型的循环T淋巴细胞亚群指标）。在165例患者的队列中，基础模型的最佳表现（逻辑回归算法）AUC为0.685。而在拥有精细T细胞亚群数据的91例患者子集中，联合模型的预测性能显著提升，逻辑回归模型的AUC达到0.867，且准确率、精确率和F1分数等指标均表现优异。特征重要性分析显示，CD4+Tem细胞是最重要的预测特征。最终，选取性能最优的联合模型（逻辑回归）在包含38例患者的独立内部验证队列中进行验证，取得了AUC高达0.913的优秀表现，证实了模型的可靠性和泛化能力。
研究结论与讨论
本研究成功描绘了PRaG疗法在真实世界中的安全性特征，并首次在放疗联合免疫治疗领域证实了动态循环生物标志物，特别是精细分型的T淋巴细胞亚群，对于预测中度至重度不良事件（AE≥Grade2）具有重要价值。研究所构建的非侵入性动态预测模型性能卓越，为PRaG患者的临床早期预警和主动管理提供了强有力的工具。
讨论部分深入探讨了研究发现的意义。首先，PRaG疗法中AE≥2级的发生与更好的生存结局相关，这与免疫治疗“效毒并存”的现象一致，提示AEs可作为免疫系统有效激活的替代指标。这对临床具有双重指导意义：一方面预示良好疗效，另一方面强调需主动管理AEs以保证治疗连续性。其次，研究创新性地比较了基线和pre-AEs周期的生物标志物，有力证明了动态监测相较于静态基线检测在捕捉免疫状态演变和预测AEs方面的显著优势。研究所识别的关键预测因子，如IL-2、CD4+Tem细胞、CD8+Tem细胞及其比值，均与免疫激活和炎症状态密切相关。研究还结合已有文献探讨了这些细胞在免疫相关不良事件发生中的潜在机制，例如CD4+Tem细胞可能通过直接攻击自身组织、促进细胞毒性T淋巴细胞浸润或释放炎症因子等方式引发毒性。
最后，通过引入机器学习算法整合多模态动态数据，研究构建的预测模型显著提升了预测效能（AUC从0.685提升至0.867），并在独立队列中得到验证（AUC=0.913），其性能优于以往多数基于单一类型标志物或静态指标的预测研究。该模型为临床医生在PRaG治疗过程中及时识别高风险患者并进行干预提供了实用工具。
当然，研究也存在一些局限性，如样本量相对较小、使用的免疫检查点抑制剂种类不完全统一、瘤种异质性等。未来需要通过更大规模、前瞻性、多中心临床研究进一步验证，并考虑纳入基因组学数据以优化模型。尽管如此，该项研究为PRaG疗法乃至更广泛的放疗联合免疫治疗领域的不良事件预测和安全管理提供了重要的理论依据和实践方案。
