人工智能赋能癌症免疫治疗——创新探索与未来机遇

向维 ,  于璐 ,  陈小元 ,  Marco J. Herold

Engineering ›› 2025, Vol. 44 ›› Issue (1) : 13 -17.

PDF (1341KB)
Engineering ›› 2025, Vol. 44 ›› Issue (1) : 13 -17. DOI: 10.1016/j.eng.2024.12.014
观点述评

人工智能赋能癌症免疫治疗——创新探索与未来机遇

作者信息 +

Artificial Intelligence in Cancer Immunotherapy: Navigating Challenges and Unlocking Opportunities

Author information +
文章历史 +
PDF (1372K)

引用本文

引用格式 ▾
向维,于璐,陈小元,Marco J. Herold. 人工智能赋能癌症免疫治疗——创新探索与未来机遇[J]. 工程（英文）, 2025, 44(1): 13-17 DOI:10.1016/j.eng.2024.12.014

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

癌症仍是全球死亡率居高不下的主要原因，传统化疗和放疗存在疗效不稳定、费用高昂及副作用显著等局限。过去十年中，一种极具前景的替代方案——癌症免疫疗法——应运而生，它通过激活人体免疫系统识别并清除癌细胞[1]。目前我们已经在免疫检查点抑制剂（ICI）、嵌合抗原受体T细胞疗法和个性化治疗性癌症疫苗等新型免疫疗法领域取得重大突破。然而，癌症类型的异质性和复杂性仍构成巨大的挑战，有效利用海量医学数据集是突破这些障碍的关键。如果没有人工智能（AI）将转化数据和临床数据联系起来，那么获得有意义的洞见仍将是一项不可逾越的任务。最新研发的单细胞RNA测序细胞分型模型（scGPT）基于超过3300万个细胞的数据库构建预训练生成模型，可精准提取细胞生物学重要信息[2]。同时提出的个性化学习流程，为发现癌症免疫治疗新抗原提供了简便有效的技术路径[3]。

AI之于医学研究，犹如1910年抗生素之于现代医学一般重要，如今数字青霉素时代已然来临。AI正成为癌症研究的核心驱动力，其展现出的超乎想象的能力正在重塑医学格局：它不仅助力识别可干预风险因素、发掘新型药物靶点、构建创新临床平台，更将突破工具的界限，成为不可或缺的变革引擎。随着技术持续演进，AI将推动原本无法实现的科研突破，全面革新癌症诊疗全流程——从早期筛查、精准诊断到个体化治疗，从复发监测到生存管理，每个环节都将迎来革命性变革。

2 AI赋能癌症免疫治疗中的关键挑战

AI赋能的癌症免疫治疗是精准医学的前沿领域，它通过融合先进计算技术与生物学洞见，为患者制定个性化治疗方案并提升疗效。通过对海量多源数据集的分析，AI模型可揭示并生成既往未被识别的潜在规律、预测治疗反应、加速药物及疫苗研发进程[4]。尽管AI应用已取得了显著进展，但生物系统固有的复杂性、现有计算工具的局限性以及将研究成果转化为切实可行的临床应用等关键问题仍制约着AI在该领域的潜能释放。AI赋能的癌症免疫治疗所面临的关键挑战如下。

2.1 基于个体生物因素的个性化癌症药物研发

个性化癌症药物研发的核心挑战在于如何有效整合并解析多样化且通常不完整的数据集（如基因组、蛋白质组、临床及影像数据），从而为患者定制精准治疗方案。为实现这一目标，需将多源异构数据融合为具有临床可操作性的患者特异性洞见。然而，现有方法存在显著局限。例如，某个整合基因组、影像和临床试验数据的多模态模型在应对数据缺失或噪声干扰[5]时表现欠佳。He等[6]提出的上下文感知自动编码器虽能预测临床药物反应，但其仅依赖细胞系数据，难以全面反映患者个体复杂性。

这些局限性严重阻碍了个性化癌症药物的研发进程。例如，信使RNA（mRNA）疫苗序列的优化需要庞大的筛选组合空间，同时又要兼顾患者个体特有的复杂生物学限制[7]，这使得这项任务变得极其复杂。同样，预测性生物标志物的发现又需要借助能解析噪声与缺失数据的先进系统，这对识别患者肿瘤特异性有效模式至关重要[8]。

2.2 复杂生物系统的精准建模与可扩展性构建

生物系统——尤其是在癌症免疫治疗中——展现出跨越分子、细胞与组织尺度的动态复杂性[9]。要准确地表征出这些过程，计算模型必须兼具可扩展性与精确性。尽管AlphaFold [10]等工具在蛋白质结构预测领域取得突破性进展，但其主要聚焦于单一蛋白质的静态结构表征，难以模拟细胞与组织层面的动态互作。近期提出的AF2Complex模型[11]通过解析蛋白质相互作用提供了有前景的拓展方向，然而这些方法在肿瘤微环境（TME）建模中仍显不足，因为它们未能完整捕获TME的空间结构与功能动态特征[12]。

2.3 公平可信赖AI系统的建立

将AI整合到癌症免疫治疗中势必引发不容忽视的伦理规范与隐私保护问题，必须妥善应对这些问题以确保AI得到负责任的应用。现有AI系统多依赖多样性不足的数据集，导致跨人群应用效果参差不齐[13]。此外，多数AI模型因复杂架构与海量参数形成“算法黑箱”，其决策逻辑缺乏透明度。现有可解释性增强方法（如文献[14‒15]所述）主要针对图像数据，在临床试验与治疗规划等关键场景中应用受限[16]。隐私保护亦面临严峻挑战：依赖敏感患者数据易引发隐私泄露、未授权访问及合规性风险[17]。开发先进的隐私保护技术并遵循更严格的监管标准，是平衡患者信息保护与AI有效应用的关键。

3 AI在癌症免疫治疗中的机遇

3.1 生成式AI在基于mRNA的个性化癌症疫苗研发中的应用

尽管mRNA新型冠状病毒（COVID-19）疫苗已取得巨大成功，但要将其拓展至癌症等疾病治疗仍需突破性进展，尤其是设计具有更高表达水平与更长稳定性的mRNA分子。其中，编码序列（CDS）与非翻译区（UTR）等关键序列元件对mRNA疗法的治疗效果起决定性作用。优化这些序列是释放mRNA治疗潜力的核心，但mRNA序列的海量可能性使其优化难度极高[18]。当前的设计5′ UTR策略仅对一小部分可用设计空间进行了探索，且多数研究集中于与天然UTR的对比，缺乏对替代性设计的广泛探究。为了突破这些局限，生成式AI成为前景广阔的解决方案[19]。生成式AI具有卓越的翻译推理能力，可通过解析潜在结构与序列规律助力开发更优mRNA分子[7]。利用此类模型可为mRNA设计提供有效策略，极大推动基于mRNA的疫苗及疗法的研发（图1）。

3.2 量子机器学习加速癌症药物研发

近年来，AI技术为药物研发领域带来了革命性变革[20]。专注于药物研发的生物技术公司正基于AI驱动的分子建模技术构建新型商业模式。在这一变革浪潮中，ChatGPT等大型语言模型（LLM）已在药物发现领域崭露头角[21]。然而，现有方法主要依赖药物-靶点相互作用的近似模拟方法，制约了其预测精度与临床适用性[22]。

基于量子力学原理构建的量子机器学习（QML）提供了一种变革性的解决方案，它能以超高精度模拟分子相互作用（如药物-靶点的结合亲和力），从而突破传统方法的局限[23]。通过与这些相互作用的物理本质紧密结合，QML有可能显著深化对药物-靶点动态机制的理解，并提升计算药物发现的精准度。例如，Li等[24]提出了一种混合量子生成器，通过生成符合既定化学和物理特性的分子结构来发现候选药物。此外，量子-经典混合工作流为将QML整合至实际药物研发流程提供了可行路径[25]。这些进展使QML在优先筛选潜力候选药物等应用中极具价值，大幅缩短了治疗性药物的研发周期。

3.3 生物标志物发现中的思维链推理

尽管生物标志物对评估癌症免疫治疗的疗效具有关键作用[26]，但日益复杂的生物标志物体系导致肿瘤临床决策成本与时间显著增加。LLM凭借自身分布式多模态证据推理能力，成为应对这些挑战的有效工具[27‒28]。然而，LLM存在显著缺陷——“幻觉”现象，即模型生成会缺乏真实数据支持的虚构或错误信息[29]。此外，多数LLM的自回归性质可能导致看似合理但实则错误的预测，这在罕见或模糊临床场景中尤为突出[30]。

检索增强生成（RAG）[31]与思维链（CoT）推理[32]为解决LLM的固有缺陷提供了可行路径。在医疗保健环境测试中，基于RAG的系统的检索整合临床试验数据以支持临床决策的能力已经得到验证[33]。类似地，研究表明，结合CoT推理的LLM经微调后可提供临床相关性洞见（如预测患者预后），凸显其在癌症免疫治疗中的潜在价值[34]。尽管这些AI应用程序前景广阔，但它们仍需经过严格验证，以确保检索到的知识具有全面性、时效性且无偏倚。为缓解这些问题，必须开发经过精心构建、持续严格更新的高质量生物医学数据库。此外，医疗机构、研究人员与AI开发者需协同合作，建立临床导向的集中化、无偏倚知识库。

3.4 多模态大型语言模型在肿瘤建模分析中的整合应用

TME是以细胞、分子及遗传多样性为特征的复杂生态位，尤其在癌症免疫治疗背景下其异质性更为显著。AI技术已被用于TME解析，无需依赖抗体即可精准划分组织区域，如识别正常导管上皮、胰腺癌前体细胞、平滑肌细胞、腺泡、脂肪细胞、胶原、胰岛、淋巴结和神经等组分[35]。以机器学习结合苏木精-伊红（H&E）染色技术[36]为例，其可在大体积组织样本中实现三维（3D）空间结构的可视化重建。然而，涉及多模式数据的生物互作建模仍是重大挑战。多模式大型语言模型（MLLM）可解析并分析跨模态的海量科学数据，从中提取细胞互作与信号通路的关键信息。这一能力对识别并建模细胞、蛋白质及信号通路等生物实体间的复杂关系至关重要[37]。

3.5 基于可信赖AI的临床试验优化

临床试验是开发新疗法的关键环节，但近90%的临床试验产品未能实现临床转化。LLM等AI工具可在多个阶段显著提升这一流程[38]。此外，AI在医学影像中的应用可更早发现疾病进展，较传统方法支持更精准及时的临床决策[39]。然而，多数AI模型因涉及数百万参数与非线性变换而具有复杂性与不透明性，这也限制了其可信度与临床采纳[40]。为了解决上述问题，需构建可解释性AI框架以追溯决策逻辑、识别驱动预测的关键特征。同时，公平感知的算法对消除偏见、确保跨人群结果公平性至关重要。另一核心考量是患者隐私保护。需采用稳健的数据匿名化方法、安全共享协议并严格遵循伦理标准以保障敏感信息安全。通过将公平性、可解释性与隐私保护内置于AI系统，临床试验将实现更高效率、更强包容性与更优可信度，为技术广泛采纳与成功率提升铺平道路。

4 结论

过去十年间，AI赋能的癌症免疫治疗已取得了显著进展，但其实际落地仍面临重大挑战。一个核心问题在于如何有效利用真实世界数据（如电子健康记录、医学影像和实验室检测数据）。与遵循严格协议采集的结构化临床试验数据不同，真实世界数据往往呈碎片化、非结构化且异质性显著。利用AI挖掘此类数据虽能极大推动个性化免疫治疗发展，但需构建配备先进算法的集成化系统以应对数据复杂性。该领域的关键优先任务还包括识别新型治疗靶点，进而开发高效的、AI赋能的药物研发平台，以实现靶点与候选疗法的精准匹配。这些目标的实现需依托可扩展且可解释的AI系统，其须具备处理多模态数据集的能力，并为医疗从业者提供透明、可操作的洞见。

未来工作重点应在于建立统一的多模态数据整合框架，制定严格的模型验证与可重复性标准，并恪守伦理准则。通过先进的匿名化方法与安全的数据共享实践保障患者隐私对维系公众信任同样不可或缺。有效应对这些挑战，将使AI为癌症免疫治疗领域带来革命性贡献，从而推动疗法创新、提升治疗效果并优化患者整体医疗照护质量。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Addala V, Newell F, Pearson JV, Redwood A, Robinson BW, Creaney J, et al. Computational immunogenomic approaches to predict response to cancer immunotherapies. Nat Rev Clin Oncol 2024;21(1):28‒46. . 10.1038/s41571-023-00830-6
[2]

Cui H, Wang C, Maan H, Pang K, Luo F, Duan N, et al. scGPT: toward building a foundation model for single-cell multi-omics using generative AI. Nat Methods 2024;21(8):1470‒80. . 10.1038/s41592-024-02201-0
[3]

Tran NH, Qiao R, Xin L, Chen X, Shan B, Li M. Personalized deep learning of individual immunopeptidomes to identify neoantigens for cancer vaccines. Nat Mach Intell 2020;2(12):764‒71. . 10.1038/s42256-020-00260-4
[4]

Cao LL, Kagan JC. Targeting innate immune pathways for cancer immunotherapy. Immunity 2023;56(10):2206‒17. . 10.1016/j.immuni.2023.07.018
[5]

Esteva A, Feng J, van der Wal D, Huang SC, Simko JP, DeVries S, et al. Prostate cancer therapy personalization via multi-modal deep learning on randomized phase III clinical trials. NPJ Digit Med 2022;5(1):71. . 10.1038/s41746-022-00613-w
[6]

He D, Liu Q, Wu Y, Xie L. A context-aware deconfounding autoencoder for robust prediction of personalized clinical drug response from cell-line compound screening. Nat Mach Intell 2022;4(10):879‒92. . 10.1038/s42256-022-00541-0
[7]

Pardi N, Krammer F. mRNA vaccines for infectious diseases—advances, challenges and opportunities. Nat Rev Drug Discov 2024;23(11):838‒61. . 10.1038/s41573-024-01042-y
[8]

Tay C, Tanaka A, Sakaguchi S. Tumor-infiltrating regulatory T cells as targets of cancer immunotherapy. Cancer Cell 2023;41(3):450‒65. . 10.1016/j.ccell.2023.02.014
[9]

Walsh LA, Daniela FQ. Decoding the tumor microenvironment with spatial technologies. Nat Immun 2023;24(12):1982‒93. . 10.1038/s41590-023-01678-9
[10]

Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, et al. Highly accurate protein structure prediction with AlphaFold. Nature 2021;596(7873):583‒9. . 10.1038/s41586-021-03819-2
[11]

Gao M, Nakajima An D, Parks JM, Skolnick J. AF2Complex predicts direct physical interactions in multimeric proteins with deep learning. Nat Commun 2022;13:1744. . 10.1038/s41467-022-29394-2
[12]

Brunton SL, Kutz JN. Promising directions of machine learning for partial differential equations. Nat Comput Sci 2024;4(7):483‒94. . 10.1038/s43588-024-00643-2
[13]

Chen RJ, Wang JJ, Williamson DFK, Chen TY, Lipkova J, Lu MY, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng 2023;7(6):719‒42. . 10.1038/s41551-023-01056-8
[14]

Yan S, Yu Z, Zhang X, Mahapatra D, Chandra SS, Janda M, et al. Towards trustable skin cancer diagnosis via rewriting model’s decision. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2023 Jun 18‒22; Vancouver, BC, Canada; 2023. . 10.1109/cvpr52729.2023.01113
[15]

DeGrave AJ, Cai ZR, Janizek JD, Daneshjou R, Lee SI. Auditing the inference processes of medical-image classifiers by leveraging generative AI and the expertise of physicians. Nat Biomed Eng. In press. . 10.1038/s41551-023-01160-9
[16]

Perez-Lopez R, Ghaffari LN, Mahmood F, Kather JN. A guide to artificial intelligence for cancer researchers. Nat Rev Cancer 2024;24(6):427‒41. . 10.1038/s41568-024-00694-7
[17]

Viswanathan VS, Parmar V, Madabhushi A. Towards equitable AI in oncology. Nat Rev Clin Oncol 2024;21(8):628‒37. . 10.1038/s41571-024-00909-8
[18]

Mihir M, Christopher SP, Melissa JM. Tailor made: the art of therapeutic mRNA design. Nat Rev Drug Discov 2024;23(1):67‒83. . 10.1038/s41573-023-00827-x
[19]

Ingraham JB, Baranov M, Costello Z, Barber KW, Wang W, Ismail A, et al. Illuminating protein space with a programmable generative model. Nature 2023;623(7989):1070‒8. . 10.1038/s41586-023-06728-8
[20]

Jayatunga MK, Xie W, Ruder L, Schulze U, Meier C. AI in smallmolecule drug discovery: a coming wave? Nat Rev Drug Discov 2022;21(3):175‒6. . 10.1038/d41573-022-00025-1
[21]

You Y, Lai X, Pan Y, Zheng H, Vera J, Liu S, et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther 2022;7(1):156. . 10.1038/s41392-022-00994-0
[22]

Wang Y, Xia Y, Yan J, Yuan Y, Shen HB, Pan X. ZeroBind: a protein-specific zeroshot predictor with subgraph matching for drug-target interactions. Nat Commun 2023;14:7861. . 10.1038/s41467-023-43597-1
[23]

Kim Y, Eddins A, Anand S, Wei KX, van den Berg E, Rosenblatt S, et al. Evidence for the utility of quantum computing before fault tolerance. Nature 2023;618(7965):500‒5. . 10.1038/s41586-023-06096-3
[24]

Li J, Topaloglu RO, Ghosh S. Quantum generative models for small molecule drug discovery. IEEE Trans Quantum Eng 2021;2:3103308. . 10.1109/tqe.2021.3104804
[25]

Li W, Yin Z, Li X, Ma D, Yi S, Zhang Z, et al. A hybrid quantum computing pipeline for real world drug discovery. Sci Rep 2024;14:16942. . 10.1038/s41598-024-67897-8
[26]

Kraehenbuehl L, Weng CH, Eghbali S, Wolchok JD, Merghoub T. Enhancing immunotherapy in cancer by targeting emerging immunomodulatory pathways. Nat Rev Clin Oncol 2022;19(1):37‒50. . 10.1038/s41571-021-00552-7
[27]

Carreras J, Roncador G, Hamoudi R. Artificial intelligence predicted overall survival and classified mature B-cell neoplasms based on immuno-oncology and immune checkpoint panels. Cancers 2022;14(21):5318. . 10.3390/cancers14215318
[28]

Kong J, Ha D, Lee J, Kim I, Park M, Im SH, et al. Network-based machine learning approach to predict immunotherapy response in cancer patients. Nat Commun 2022;13:3703. . 10.1038/s41467-022-31535-6
[29]

Huang Q, Dong X, Zhang P, Wang B, He C, Wang J, et al. OPERA: alleviating hallucination in multi-modal large language models via over-trust penalty and retrospection-allocation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2024 Jun 17‒21; Seattle, WA, USA; 2024. . 10.1109/cvpr52733.2024.01274
[30]

Farquhar S, Kossen J, Kuhn L, Gal Y. Detecting hallucinations in large language models using semantic entropy. Nature 2024;630(8017):625‒30. . 10.1038/s41586-024-07421-0
[31]

Lewis P, Perez E, Piktus A, Petroni F, Karpukhin V, Goyal N, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Adv Neural Inf Process Syst 2020;33:9459‒74.
[32]

Wei J, Wang X, Schuurmans D, Bosma M, Ichter B, Xia F, et al. Chain-of-thought prompting elicits reasoning in large language models. In: Proceedings of the Thirty-Sixth Conference on Neural Information Processing Systems; 2022 Nov 28‒Dec 9; New Orleans, LA, USA; 2022.
[33]

Jeong M, Sohn J, Sung M, Kang J. Improving medical reasoning through retrieval and self-reflection with retrieval-augmented large language models. Bioinformatics 2024;40():i119‒29. . 10.1093/bioinformatics/btae238
[34]

Singhal K, Azizi S, Tu T, Mahdavi SS, Wei J, Chung HW, et al. Large language models encode clinical knowledge. Nature 2023;620(7972):172‒80. . 10.1038/s41586-023-06291-2
[35]

Sorin M, Rezanejad M, Karimi E, Fiset B, Desharnais L, Perus LJM, et al. Single-cell spatial landscapes of the lung tumour immune microenvironment. Nature 2023;614(7948):548‒54. . 10.1038/s41586-022-05672-3
[36]

Kiemen AL, Braxton AM, Grahn MP, Han KS, Babu JM, Reichel R, et al. CODA: quantitative 3D reconstruction of large tissues at cellular resolution. Nat Methods 2022;19(11):1490‒9. . 10.1038/s41592-022-01650-9
[37]

McDonald TO, Cheng YC, Graser C, Nicol PB, Temko D, Michor F. Computational approaches to modelling and optimizing cancer treatment. Nat Rev Bioeng 2023;1(10):695‒711. . 10.1038/s44222-023-00089-7
[38]

Yuan C, Ryan PB, Ta C, Guo Y, Li Z, Hardin J, et al. Criteria2Query: a natural language interface to clinical databases for cohort definition. J Am Med Inform Assoc 2019;26(4):294‒305. . 10.1093/jamia/ocy178
[39]

Lu L, Dercle L, Zhao B, Schwartz LH. Deep learning for the prediction of early on-treatment response in metastatic colorectal cancer from serial medical imaging. Nat Commun 2021;12:6654. . 10.1038/s41467-021-26990-6
[40]

Dolezal JM, Wolk R, Hieromnimon HM, Howard FM, Srisuwananukorn A, Karpeyev D, et al. Deep learning generates synthetic cancer histology for explainability and education. NPJ Precis Oncol 2023;7(1):49. . 10.1038/s41698-023-00399-4
AI Summary AI Mindmap
PDF (1341KB)

2856

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉