编辑推荐：
这篇综述深入探讨了人工智能（AI）如何变革CAR-T细胞疗法在实体瘤中的应用。文章系统地阐述了AI在优化CAR设计、制造流程、识别新型靶点、解析肿瘤微环境（TME）异质性、以及增强细胞持久性、归巢和可视化等关键挑战中的重要作用。作者对AI驱动的策略（如机器学习ML、深度学习DL）突破当前疗法瓶颈的潜力持乐观态度，并指出其未来的挑战与前景。
1 引言
嵌合抗原受体（CAR）-T细胞免疫疗法在血液系统恶性肿瘤中取得了显著成功，但在实体瘤中却面临严峻挑战。抑制性的肿瘤微环境（TME）和抗原异质性等问题，凸显了开发有效且安全的CAR产品的迫切需求。人工智能（AI）的整合为提升CAR-T细胞疗法的疗效提供了非凡机遇。本文重点探讨了AI在应对实体瘤中CAR-T细胞疗法关键挑战方面的变革性作用，包括辅助CAR设计与制造过程、识别新型CAR靶向基因以及检测实体瘤中的细胞异质性。我们对AI驱动的策略在增强CAR-T细胞在TME中的持久性、归巢和可视化方面持乐观态度。此外，我们也指出了当前面临的挑战和未来展望。
2 AI革新CAR设计并优化制造流程
传统的CAR开发方法昂贵且耗时。AI技术能够基于结构模型、功能读数和大规模CAR序列数据进行分析，在数小时内预测哪些单链可变区片段（scFv）、铰链/间隔区长度、以及跨膜/激活模块能产生最低的本底信号、最佳的肿瘤杀伤力和最优的表面表达。例如，通过整合机器学习和筛选大量受体，研究者发现了一种新的合成基序排列（如连接磷脂酶C γ1（PLCγ1）与肿瘤坏死因子受体相关因子（TRAF）），可促进CAR设计、细胞毒性和与强大肿瘤杀伤相关的干细胞特性。
在制造环节，AI驱动的方法能够显著优化、自动化并监控细胞质量、数量和杂质。例如，将AI与盒式流式细胞术和细胞因子检测系统相结合，可以动态监测和调整生产过程，生产出毒性更低、分析测试时间更短的改良T细胞。此外，AI还能通过优化CRISPR-Cas9的递送等方式，提高基因编辑工具的特异性、减少脱靶效应并提升安全性。
大型语言模型（LLM）如Chat GPT和DeepSeek，也能通过分析患者记录、整合多源数据、生成假设和预测风险因素，促进AI驱动的CAR-T方法发展。
3 AI驱动的靶点识别
在实体瘤中应用CAR-T细胞疗法受到“靶上/瘤外”毒性和抗原异质性等严重障碍的限制。AI驱动的模型可以缓解这些挑战并增强CAR-T细胞在实体瘤中的杀伤能力。
3.1 双靶向CAR疗法
实体瘤的抗原异质性是一个主要挑战。双特异性CAR可以识别两种不同的肿瘤相关抗原，以对抗肿瘤逃逸。AI模型能够利用复杂的抗原模式识别来增强双靶向CAR疗法。例如，一个先进的计算流程利用数千个实验描述的双靶向CAR来训练梯度提升和图神经网络模型。该AI循环被用于创建双特异性IL13Rα2–B7-H3串联CAR，在小鼠模型中完全清除了异质性幼年脑肿瘤。
3.2 新抗原导向的CARs
新抗原源于体细胞突变，不在正常细胞中表达，是CAR-T细胞疗法的理想靶点。AI驱动的方法，如“拼接新抗原发现者（SNAF）”工具，可以利用RNA测序数据识别由RNA剪接衍生的新抗原。另一个AI平台“MaNeo”管道能够精确发现共享和肿瘤特异性的新抗原。这些新抗原可以有效诱导细胞毒性T细胞反应。此外，AI驱动的免疫肽组学分析（如SWPepNovo、Casanovo）能够检测来自非编码区域的各种非经典肽段，大大扩展了潜在治疗靶点的范围。用于预测MHC-新抗原结合亲和力的机器学习策略（如NetMHCpan4.1）也显示出显著进步。像AlphaFold2/3这样的AI结构预测工具可以为TCR-新抗原-HLA复合物生成准确模型，为识别癌症异质性抗原（如NRAS黑色素瘤新抗原）提供潜在见解。
3.3 靶向基质抗原
肿瘤基质是TME的重要组成部分，构成物理屏障，阻碍效应免疫细胞的归巢和分化。靶向癌症相关成纤维细胞（CAF）等基质细胞上的关键标记物（如成纤维细胞活化蛋白（FAP）、胶原三螺旋重复蛋白1（CTHRC1））可能重塑TME。然而，缺乏CAF特异的表面生物标志物和CAF本身的异质性带来了挑战。AI平台与单细胞RNA图谱分析的整合，成功识别出CTHRC1是多种实体瘤中高表达的新型靶点。机器学习算法还被用于根据CAF相关基因对癌症样本进行分类（如CAF富集型与CAF缺失型），并预测患者对免疫治疗的响应。
4 AI检测实体瘤的细胞异质性
实体瘤TME包含数十种不同的细胞类型，包括免疫细胞、肿瘤细胞和基质细胞，其复杂性远高于血液肿瘤。AI平台，特别是结合单细胞转录组学和多组学数据，能够高精度地预测肿瘤免疫浸润、关键生物标志物以及潜在的CAR-T细胞治疗反应。深度学习模型可以提供肿瘤浸润淋巴细胞（TIL）的精确分布、空间异质性信息。例如，一个名为METI的稳健机器学习框架，可以联合分析形态学和基因表达数据，有效绘制癌细胞图谱，并灵活地对TME细胞状态（如CD8+耗竭性T细胞、CD4+调节性T细胞、CAF亚型等）进行分层。另一项研究整合了机器学习和空间转录组学技术，定义了乳腺癌中不同等级的TME细胞亚群，揭示了与癌症预后相关的独特免疫和基质亚群。这些工具在识别实体瘤中的不同细胞亚群、预测免疫治疗反应方面显示出巨大潜力。
5 AI创新增强CAR-T细胞的持久性、归巢和可视化
5.1 AI模型缓解CAR-T细胞耗竭
CAR-T细胞在实体瘤TME中易发生耗竭。AI工具如“CAR-Toner”可以通过量化细胞表面的正电荷斑块（PCPs，CAR本底信号的指标）来优化CAR设计并判断细胞适应性。AI还被用于设计新型PD-1/PD-L1抑制剂，并预测免疫检查点抑制剂的反应。通过整合单细胞扰动筛选和计算建模，AI还能识别与T细胞代谢、激活和耗竭相关的独特转录元件，为开发对抗实体瘤的强健CAR-T细胞疗法开辟新途径。
5.2 AI促进CAR-T细胞归巢
肿瘤细胞趋化因子表达的失调以及CD8+T细胞上相应受体的丢失，是CAR-T细胞向实体瘤归巢的关键挑战。AI模型可以快速识别TME中的靶向受体和分子生物标志物，从而促进更有效、安全的个体化CAR-T细胞疗法。生成式AI与化学传感器的结合，已被用于构建智能的肺癌特异性受体，显著提高了诊断准确性。将机器人技术与CAR-T细胞疗法交叉，设计出基于CAR-T细胞的活体微型机器人（M-CAR T），可在程序化磁引导下在人工肿瘤模型中实现高效迁移和归巢。
5.3 AI改善CAR-T细胞疗法的可视化
监测CAR-T细胞的浸润对于理解细胞事件、分析治疗反应至关重要。基于AI的模型在图像可视化方面表现出色，可以整合组织病理学数据与临床结果。例如，将AI与成像显微镜和单细胞功能评估相结合，已用于发现和追踪肿瘤迁移性CAR-T细胞亚群（称为CD8-fit T细胞）的特征。创新模型如CAFI（内容感知帧插值）能够追踪单粒子和细胞核分割，提供功能性长期活细胞成像，非常适合CAR-T细胞疗法的精确实时成像和评估。
6 结论与未来展望
AI驱动的方法（如深度学习、计算机视觉）在推进CAR-T细胞疗法对抗实体瘤方面展现出巨大前景。它们可以优化CAR设计和制造、初步靶点识别、增强CAR-T细胞的持久性和归巢、缓解细胞耗竭并改善治疗监测。然而，该领域仍处于优化阶段，近期临床试验显示出有限的疗效。将AI驱动的CAR设计转化为可扩展、有效且安全的疗法，面临高开发成本、缺乏高质量临床数据、难以模拟人类免疫-肿瘤相互作用和TME复杂性等实际障碍。未来，填补复杂的临床现实与计算预测之间的鸿沟至关重要。成功将取决于生成高保真度的临床数据和模型、设计更“智能”的系统、发展多学科协作框架、以及投资自动化细胞生产和生物计算平台。这些趋势的融合将释放AI在推进针对实体瘤的CAR-T疗法及其他并发症方面的潜力。
