《npj Systems Biology and Applications》：Multiscale modeling reveals synergy between CCL19 and PD-1 blockade in reshaping the TNBC microenvironment
编辑推荐：
本研究针对三阴性乳腺癌(TNBC)免疫抑制微环境、靶点稀缺、治疗反应差的临床难题，通过建立多尺度数学模型，系统解析了CCL19与抗PD-1联合治疗的协同机制。研究揭示了该协同效应受个体基线免疫异质性的高度调控，并首次提出了(CTLs × CCL19)/PD-L1作为新型动态生物标志物组合。虚拟临床试验表明，抗PD-1先于CCL19给药的序贯策略有望带来更显著的临床获益，为优化联合免疫治疗策略提供了理论依据。
三阴性乳腺癌（Triple-Negative Breast Cancer, TNBC）因其雌激素受体、孕激素受体和人表皮生长因子受体2均呈阴性而得名。这种“三阴”的特性，虽然听起来简单，却给治疗带来了巨大的困难。传统的激素疗法和靶向HER2的药物对它束手无策，化疗虽有一定效果，但往往伴随显著的毒副作用，且易产生耐药。更棘手的是，TNBC肿瘤周围环绕着一个强大的“护城河”——高度免疫抑制的肿瘤微环境（Tumor Microenvironment, TME）。在这个环境中，免疫细胞功能被抑制，难以有效识别和攻击癌细胞。这使得TNBC成为所有乳腺癌亚型中侵袭性最强、预后最差的一种，探索新的有效疗法刻不容缓。
近年来，免疫疗法，特别是免疫检查点阻断（Immune Checkpoint Blockade, ICB），在多种癌症中取得了革命性进展。PD-1/PD-L1轴是其中关键的“刹车”信号通路，肿瘤细胞通过表达PD-L1与T细胞上的PD-1结合，从而抑制T细胞的抗癌活性。抗PD-1/PD-L1药物旨在松开这个“刹车”，恢复T细胞的战斗力。然而，在TNBC中，单一的免疫检查点阻断疗法响应率有限，这是因为仅有“松刹车”还不够，还需要“踩油门”——将足够多的、有战斗力的免疫细胞（特别是细胞毒性T淋巴细胞，Cytotoxic T Lymphocytes, CTLs）招募到肿瘤内部。这时，趋化因子进入了研究者的视野。CCL19是一种重要的趋化因子，它能像“信号弹”一样，将表达CCR7受体的树突状细胞和T细胞精准引导至特定区域。前期研究表明，CCL19与抗PD-1联合治疗在TNBC中显示出显著疗效，但其背后的深层协同机制，特别是如何在复杂的个体免疫差异背景下发挥作用，仍然是一个“黑箱”。
为了系统地揭开这个“黑箱”，来自一支研究团队的研究人员在《npj Systems Biology and Applications》上发表了一项研究。他们没有仅仅依赖传统的生物学实验，而是构建了一个强大的“数字沙盘”——一个多尺度数学模型。这个模型整合了从分子到细胞的多个层面，精细模拟了肿瘤细胞、CTLs、调节性T细胞（Regulatory T cells, Tregs）、树突状细胞、PD-1/PD-L1信号以及CCL19之间的复杂动态相互作用。通过这个“数字沙盘”，他们不仅可以重现和解释实验观察到的现象，更能超越实验限制，预测不同治疗策略下肿瘤的演化轨迹，并进行虚拟的、低成本的“临床试验”。
研究人员开展了以下关键工作：首先，他们基于文献和生物学先验知识，建立了一个包含肿瘤细胞、CTLs、Tregs、PD-1/PD-L1通路及CCL19作用的常微分方程（Ordinary Differential Equations, ODEs）模型。这个数学模型旨在量化刻画肿瘤免疫微环境中的关键相互作用。其次，他们通过模拟不同治疗策略（如单药治疗、联合治疗、不同给药顺序）下的肿瘤动力学，评估了治疗效果。为了更精确地量化和分析，他们创新性地提出了三个核心指标：肿瘤相对体积指数（Tumor Relative Volume Index, TRVI），用于衡量治疗后的肿瘤负荷变化；治疗效能差异指数（Therapeutic Efficacy Discrepancy Index, TEDI），用于量化联合治疗相对于单药治疗的协同效应强弱；以及免疫异质性治疗反应指数（Immune Heterogeneity Treatment Response Index, IHTRI），用于刻画不同免疫状态患者对治疗反应的差异。此外，研究还进行了虚拟患者队列分析，模拟了具有不同基线免疫特征的患者群体，以评估治疗的普适性和个体化差异。最后，他们基于模拟数据进行了生物标志物挖掘，寻找能够预测治疗响应的关键因子组合。
研究结果揭示了多层次的重要发现：
- 1.
模型验证了CCL19与抗PD-1的协同效应：数学模拟结果与已知的临床前研究数据一致，证实了CCL19与抗PD-1联合治疗在抑制肿瘤生长上优于任一单药治疗。模型进一步阐明，CCL19的主要作用是增强CTLs向肿瘤部位的募集和浸润，而抗PD-1则是解除对已浸润CTLs的功能抑制，两者相辅相成。
- 2.
协同效应高度依赖于个体基线免疫异质性：研究一个关键发现是，联合治疗的增效幅度并非固定不变，而是强烈受到治疗前患者肿瘤微环境初始状态的调节。具体来说，基线CTLs水平较高、PD-L1表达水平较低的患者，从联合治疗中获益最为显著。这解释了为何在真实临床中患者响应存在差异，并强调了治疗前患者分层的重要性。
- 3.
发现新型动态生物标志物组合 (CTLs × CCL19)/PD-L1：在生物标志物探索中，研究人员没有局限于静态的单一指标，而是通过模型分析，提出了一个动态的组合指标——(CTLs × CCL19)/PD-L1。这个指标在模拟的虚拟队列中表现出优异的预测能力，其预测治疗响应的曲线下面积（Area Under the Curve, AUC）达到0.86，并且与患者的虚拟生存期显著相关（对数秩检验p=0.019）。这为未来临床开发精准的伴随诊断工具提供了新思路。
- 4.
给药顺序决定临床结局：虚拟临床试验的启示：利用模型进行“虚拟临床试验”是本研究的一大亮点。模拟结果表明，给药顺序对最终疗效有决定性影响。先给予抗PD-1治疗，再给予CCL19注射的给药方案，相比于同时给药或先给CCL19的方案，能产生更显著和持久的肿瘤抑制效果。其机制在于，先“松刹车”（抗PD-1）活化肿瘤内已有的T细胞，再“发信号”（CCL19）招募更多援军，形成了更有效的攻击波次。
研究的结论与讨论部分对上述发现进行了总结和升华。本研究通过多尺度建模，首次在系统层面定量解析了CCL19与抗PD-1在TNBC中的协同作用机制。它不仅验证了联合治疗的有效性，更重要的是，揭示了这种协同效应受患者个体免疫异质性的深刻影响，从而为“为何有些患者有效，有些无效”提供了机制性解释。所提出的(CTLs × CCL19)/PD-L1动态生物标志物，超越了传统单一分子标志物，整合了效应细胞、趋化因子和抑制信号三方面信息，具有更高的精准预测潜力。最后，虚拟临床试验得出的“先PD-1阻断，后CCL19补充”的优化序贯策略，为设计下一阶段的临床实验方案提供了直接、可验证的理论依据和数据支持。
这项研究的核心价值在于，它利用计算系统生物学的方法，跨越了微观机制与宏观疗效之间的鸿沟。在实验室生物学研究指出“有效”的基础上，该模型进一步回答了“为何有效”、“对谁更有效”以及“如何用最有效”这三个递进的临床核心问题。它展示了一种“干湿结合”研究范式的力量：先通过湿实验（生物学实验）发现现象和获取数据，再通过干实验（计算建模）整合知识、揭示机理、预测最优策略，最后可反过来指导新的湿实验设计和临床试验规划。这为加速肿瘤免疫治疗药物的开发与个性化应用提供了强有力的理论工具和新思路。
