肿瘤免疫：免疫系统与肿瘤细胞的持续战斗

陈静 吴涛 刘雪松

肿瘤是由体细胞基因组DNA突变驱动的复杂疾病，靶向这些突变的治疗策略曾在部分癌症中取得出色的治疗效果，但大部分癌症通过靶向治疗，并不能取得长期有效的根治效果。近十年来，以免疫检查点抑制剂、CAR-T（chimeric antigen receptor T cell，嵌合抗原受体T细胞）为代表的免疫治疗策略给部分晚期、难治性肿瘤的治疗带来了革命性的突破。肿瘤的发生发展过程，不但取决于肿瘤细胞自身基因组发生的变异，也与其所处的微环境密切相关。其中，免疫细胞是肿瘤微环境的核心成分之一，肿瘤细胞与免疫细胞之间的斗争伴随着肿瘤演化发展的全过程。

肿瘤最早出现在古希腊学者希波克拉底的描述中，他根据肿瘤的外部形状将其命名为“karkinos”，在希腊语中是“螃蟹”的意思。当时人们对肿瘤的认识非常有限，这个命名仅仅是基于当时医疗水平能够诊断到的实体瘤的外观特征，缺乏病理学的认知。1863年，菲尔绍（R. Virchow）发现肿瘤组织中除了肿瘤细胞外，还浸润有大量淋巴细胞，由此将炎症与癌症联系起来。数十年后，美国医生科利（W. B. Coley）的一次偶然发现，开创了免疫治疗的先河。他发现部分肿瘤患者术后出现感染症状的同时，肿瘤病灶也随之缩小甚至消失。他认为这种现象表明，人体免疫系统不仅能够清除细菌感染，还可以消灭肿瘤细胞。于是他用灭活细菌刺激骨肉瘤患者的免疫系统，使得肿瘤消退[1]，这是人类历史上第一次对肿瘤免疫治疗的系统研究。但限于当时的医疗技术和理论水平，人们对免疫系统调节的机制并不清楚。

20世纪初，有学者提出肿瘤细胞可能具有启动免疫反应的免疫原性。埃利希（P. Ehrlich）试图通过注射灭活肿瘤细胞来治疗肿瘤，可惜效果并不理想。1940年代，英国生物学家梅达沃（P. Medawar）在参与二战的伤员身上发现，个体间的皮肤移植手术经常出现排异反应，他认为这种异体皮肤移植物排异反应是由主动免疫机制引起的。这一现象的发现也引发了肿瘤学家和免疫学家的思考，他们认为异体皮肤移植排异反应的生物学机制可能与肿瘤在人体内受到免疫攻击的情况非常类似。于是，人们进行了一系列实验去研究肿瘤是如何激活免疫反应的。到1957年，托马斯（L. Thomas）和伯内特（M. Burnet）正式提出肿瘤免疫监视理论，即免疫系统能够识别肿瘤表面的肿瘤特异性抗原并清除恶性肿瘤，从而抑制肿瘤的发生发展[2]。这是肿瘤免疫在理論上的重大突破，其重点是：肿瘤细胞具有免疫原性，免疫细胞可以识别肿瘤特异性抗原并攻击肿瘤组织。但后来的研究发现，有部分肿瘤细胞会在各种因素作用下逃脱机体的免疫监视，发展为临床确诊的肿瘤。

2002年，邓恩（G. P. Dunn）和施莱伯（R. Schreiber）根据最新的肿瘤免疫学研究成果，发展了免疫监视学说，提出免疫编辑假说：免疫系统控制肿瘤生长和塑造肿瘤免疫原性的动态过程，主要包括清除、平衡、逃逸三个阶段[3]。这是目前肿瘤免疫学领域被广泛认可的理论。在清除阶段，先天免疫系统和适应性免疫系统共同识别并杀伤新形成的肿瘤细胞；少数存活下来的肿瘤细胞进入平衡阶段，此时肿瘤生长受到限制但并未被完全清除；同时，适应性免疫系统的持续选择压力及肿瘤细胞的遗传不稳定性，选择出免疫原性低、能逃避免疫识别和破坏的肿瘤亚克隆。经过免疫编辑的肿瘤亚克隆进入逃逸阶段，其生长不受限制，最终形成临床可检测到的肿瘤组织。

肿瘤免疫编辑是一个持续的过程，不仅发生于肿瘤发展过程中，也出现在免疫治疗期间。有临床前研究发现，抗PD-L1治疗可以改变肿瘤突变谱，降低产生新抗原（肿瘤细胞突变产生的可激活免疫反应的非自身多肽）的肿瘤亚克隆突变的数量。尽管在接受免疫治疗的小鼠和患者中都可以检测到免疫编辑的信号，但在未接受免疫治疗的患者中，肿瘤细胞是否受到免疫编辑的负选择效应（即免疫编辑清除阶段的信号），这个问题目前存在争议。目前主要通过两种方法研究这个问题：基于突变模式的方法和基于克隆频率的方法。

基于突变模式的方法认为，与中性突变相比，能够改变适应性的突变具有不同的突变频率。其中，广泛使用的选择压力检测方法是，将同义突变数量除以非同义突变数量（dN/dS），根据各自的发生概率进行标准化；dN/dS>1就是正选择，dN/dS<1导致负选择。该方法的关键在于，选择一个基因组上不受免疫系统选择的对照区域，但实际研究中很难选择到一个严格意义上完全不受选择的区域作为对照，因此定量的选择信号常常被低估。

基于克隆频率的方法是：在中性演化条件下，可以通过群体遗传学理论推导出突变的等位基因频率应该遵循幂律分布。通过比较实际突变的等位基因频率累积分布与理论中性演化分布之间的差异，可以检测是否存在选择压力。然而，这种方法的使用受到限制，因为它需要在有限的亚克隆频率范围内应用于突变。此外，对于与中性演化分布偏差检验的准确性存在质疑。另外，这种方法无法单独在单个样本中检测新抗原介导的负选择。

笔者团队研发的基于癌细胞比例（cancer cell fraction）分布模式的新方法[4]，可为个体提供稳定的免疫编辑定量数据，并证明免疫编辑清除信号在未经免疫治疗的癌症基因组中是普遍存在的。

免疫细胞识别并杀伤肿瘤细胞涉及多个步骤：肿瘤细胞产生“非自身”蛋白肽，呈递到自身细胞表面或被专职的抗原呈递细胞捕获后呈递；免疫细胞识别该蛋白肽，并被激活；免疫细胞释放细胞因子杀伤肿瘤细胞。该过程中的任何异常都可能导致肿瘤细胞发生免疫逃逸，即免疫逃逸机制大致有：①抗原呈递功能缺陷；②T细胞识别与激活过程异常；③肿瘤自身免疫原性的降低；④基因组DNA复杂变异导致未知机制的免疫逃逸。

肿瘤细胞内产生的“非自身”多肽经过蛋白酶体降解后，通过抗原加工相关转运蛋白（TAP）进入内质网，并与I类主要组织相容性复合物（major histocompatibility complex， MHC-I）结合，经高尔基体转运至细胞表面；除MHC-I分子途径外，肿瘤微环境中癌细胞死亡后释放的癌抗原，被抗原呈递细胞如树突细胞捕获，迁移到引流淋巴结后，树突细胞可通过 MHC-II类分子途径进行抗原呈递。抗原呈递过程中发生异常，如B2M基因的突变、TAP1基因的突变或丢失、MHC分子的丢失等，都可能使肿瘤细胞无法呈递抗原，导致无法被T细胞识别。

当抗原被成功呈递到细胞表面后，T细胞识别这些抗原并被激活。其过程涉及共刺激和共抑制这两种信号：共刺激涉及T细胞受体（T cell receptor，TCR）与MHC-肽复合物的结合，以及共刺激分子之间的相互作用，如果这些受体发生了变异，就会影响T细胞的激活。此外，正常组织中机体为避免免疫系统过度激活，会有一些共抑制信号平衡T细胞的激活，狡猾的肿瘤细胞会利用这种机制进行逃逸。比如T细胞表面的程序性细胞死亡蛋白1（programmed cell death protein 1， PD-1）是T细胞活化的抑制分子之一，而肿瘤细胞则在其表面表达配体PD-L1，PD-L1与PD1结合后就抑制了T细胞活性，即抑制了抗肿瘤免疫。

免疫细胞和某些非免疫细胞因经刺激而合成分泌的一类具生物学活性的小分子蛋白质——细胞因子，在T细胞杀伤肿瘤细胞的过程中也发挥着重要作用。比如，干扰素γ（IFN-γ）是一种具有促细胞凋亡和增强免疫能力的细胞因子，可上调抗原递呈和MHC表达，在识别抗原后，CD8+T细胞释放细胞溶解颗粒和IFN-γ，引发肿瘤细胞死亡。而肿瘤细胞中的IFN-γ受体和下游效应基因，经常发生体细胞突变或者表观遗传修饰的改变，使得这类细胞因子无法发挥作用。

肿瘤细胞产生的抗原肽免疫原性降低的原因包括多方面，如蛋白酶体剪切效率下降、MHC分子亲和力降低、与TCR相互作用改变等，这些都可能降低被T细胞识别的概率。此外，肿瘤细胞还可能通过多种途径降低抗原肽的免疫原性，例如化学修饰（如糖基化）或表观遗传机制，以减少抗原肽的表达。例如，肿瘤细胞中的组蛋白甲基化转移酶（SETDB1）通常会过度表达，从而抑制转座子源抗原的表达。另外，肿瘤细胞的复杂基因变异也可能导致免疫逃逸。笔者团队最近发现含有染色体外环状DNA（extrachromosomal DNA， ecDNA）的肿瘤样本中，免疫细胞浸润显著低于不含ecDNA的肿瘤[5]；也有研究揭示了肿瘤非整倍性可能是通过上调 PD-L1 表达和抑制瘤内 CD8+T细胞反应等来逃避免疫监视，但是这些复杂DNA变异导致免疫逃逸的具体机制有待进一步研究。

20世纪末和21世纪初，在肿瘤免疫理论和免疫细胞基础日渐充实后，肿瘤免疫治疗飞速发展。首先进入临床实验的是细胞因子疗法和过继性细胞疗法。1972年，耶鲁大学医学院首次鉴定出淋巴细胞激活因子IL-2对T细胞增殖和分化有至关重要的意义，使得体外培养大量T细胞成为可能。之后，国际癌症研究中心（International Agency for Research on Cancer， IARC）率先使用T浸润淋巴细胞（tumor infiltrating lymphocytes， TIL）治疗转移性黑色素瘤[6]，他们将从癌组织活检中分离出的T淋巴细胞用IL-2大幅扩增，然后将其与高剂量IL-2同时静脉注入同一患者体内。但由于缺少特异性，临床效果并不佳。由于免疫系统的复杂性和对肿瘤反应模式的不確定性，以及对免疫细胞与肿瘤细胞相互作用机制认识不够，限制了这些早期研究的成功。

如前所述，机体的免疫稳态依赖于T细胞共刺激和共抑制信号的平衡，而癌细胞常常利用这些信号来逃避免疫攻击。因此免疫治疗的重点在于，重新激活抗肿瘤免疫细胞，防止肿瘤细胞发生免疫逃逸。代表性的方法包括免疫检查点（immune checkpoint）阻断疗法和CAR-T疗法。

免疫检查点属于共抑制信号。通过阻断免疫检查点增强抗肿瘤T细胞的活性，来抑制肿瘤生长，其发展是通过靶向CTLA-4/B7-1/2和PD-1/PD-L1这两条免疫检查点通路开始的。2011年，第一个抗CTLA-4抗体——伊匹单抗（iplimumab）被美国食品与药品管理局批准用于治疗晚期黑色素瘤。之后10年内，多种免疫检查点阻断药物不断问世，最为瞩目的是PD-1及其配体PD-L1单抗。它们的临床应用革新了免疫治疗的范式，尤其是在黑色素瘤患者中取得了振奋人心的疗效。这些患者接受PD-1联合或不联合抗CTLA-4治疗后，可见的肿瘤转移灶完全消失，5年随访中复发的风险低于10% [7]。免疫检查点抑制疗法最成功的一点在于，即使停止治疗也能得到长期缓解，这在传统癌症治疗中是完全不敢想象的。这一具划时代意义的免疫治疗策略让它的开创性贡献者艾利森（J. P. Alison）和本庶佑（T. Honjo）荣获2018年诺贝尔生理学或医学奖。

另一代表性免疫治疗策略CAR-T细胞疗法，是一种创新性免疫细胞治疗方式：将患者体内的T细胞，经过基因修饰后表达嵌合抗原受体，嵌合抗原受体直接与肿瘤表面的靶抗原进行特异性识别与结合，使T细胞的激活绕过了TCR和MHC的识别过程，因而不再受到MHC的限制，从根本上克服肿瘤细胞通过常见的下调MHC分子的免疫逃逸问题。在2010年，琼（C. June）将这一疗法引入临床试验阶段，成功治愈了多名白血病患者，开创了细胞和基因治疗新时代。研究人员通过不断加强CAR设计和优化细胞加工工艺，该法显示出越来越显著的临床效果。CAR-T细胞疗法不仅作为一线治疗药物，在白血病上实现90%以上的缓解率，也在实体瘤治疗中大放异彩，阳性复发肝癌患者在接受治疗后病灶明显缩小，部分病灶甚至全部消退。

除了免疫检查点抑制疗法和CAR-T细胞疗法，还有其他多种免疫治疗策略正在蓬勃发展。其中包括抗体药物和肿瘤疫苗。比如新兴的双特异性抗体，能引导免疫细胞与肿瘤细胞相互作用，减少对正常细胞的影响，实现对肿瘤的精准打击；个性化新抗原疫苗已成为肿瘤疫苗研究的重要方向，且在临床测试中也展现出显著的治疗效果。

肿瘤免疫微环境是肿瘤细胞与免疫细胞相互作用所构成的复杂生态系统。随着免疫基因组、免疫蛋白组以及其他能反映肿瘤免疫状态的多组学数据的增加，结合高性能计算和人工智能技术，我们有望利用人工智能技术识别这些复杂模式，从而为临床提供指导。目前，人工智能在肿瘤免疫领域的应用主要包括：新抗原的预测、TCR序列的筛选与优化，以及免疫治疗效果的预测。

新抗原是肿瘤疫苗的关键靶点，对它的预测是免疫治疗计算方法的重大挑战，只有少数突变具有真正的免疫原性。因此利用人工智能预测新抗原可以帮助缩小疫苗设计或者体外 T细胞识别实验的评估范围。多肽与MHC的结合是免疫识别的关键步骤，近年来逐步积累起来的抗原-MHC亲和力数据、高通量质谱洗脱数据，使得利用人工智能模型进行亲和力预测成为可能，其中应用最广泛的是NetMHCpan模型[8]，它通过多层人工神经网络，利用多肽和MHC的亲和力数据和质谱洗脱数据进行训练。但是与MHC结合不能保证激活T细胞，因此，最近有些研究对直接预测多肽的免疫原性进行了探索，比如DeepImmuno模型利用贝叶斯框架从实验数据中得到连续的免疫原性值，使用卷积神经网络直接预测多肽的免疫原性。然而，目前具有免疫原性的数据比较少，为了解决这个问题，笔者团队采用遷移学习策略结合长短期记忆循环神经网络（LSTM），实现了对 MHC-II 类抗原肽免疫原性的高精度预测[9]。

TCR工程化T细胞（T-cell receptor-engineered T cell， TCR-T）治疗的关键在于筛选和鉴定能够特异性结合靶点抗原的TCR 序列，而已知的 TCR 序列范围是巨大的，可以利用人工智能模型加速筛选。pMTnet [10]通过迁移学习的策略，分别使用自编码器和 LSTM对TCR序列和抗原肽-MHC复合体序列（pMHC）进行编码，然后融合这两部分信息来预测TCR和pMHC分子的亲和力，利用该类模型可以在给定抗原的情况下得到候选TCR的亲和力排名，从而帮助筛选出合适的TCR序列做进一步的验证。除了筛选直接使用已知的TCR序列之外，也可对现有 TCR序列进行进一步优化，甚至生成全新的性能更优的TCR序列，以ChatGPT为代表的生成式人工智能大模型将来在这个领域可能大有可为。

限制肿瘤免疫的主要问题包括患者选择和治疗反应的预测。如果能前瞻性地识别最能从特定治疗计划中受益的患者，就可降低不良临床结果和高治疗成本的风险，治疗过程中尽早确定患者的治疗反应性，对临床医生考虑是否需要修改治疗计划也是至关重要的。人工智能模型可以用来预测与免疫治疗效果相关的生物标志物，从而对患者进行区分。组学数据的逐步积累使得利用组学或其他临床数据直接预测患者的免疫治疗反应成为可能。

近年来，肿瘤免疫治疗是肿瘤治疗领域的革命性突破，能够给部分晚期肿瘤患者带来疾病治愈的希望。然而，当前免疫治疗的有效性和适用范围仍需提升。研究肿瘤细胞和免疫系统之间深层次相互作用的肿瘤免疫理论在最近一个世纪也发生了演变，深入研究肿瘤细胞和免疫系统之间的互作机制有助于开发新的免疫治疗策略，以及提升现有免疫治疗的适用范围和治疗效果。未来结合了大数据分析、人工智能的个性化精准免疫治疗有望为免疫治疗研究带来新的突破，从而让更多的癌症患者受益免疫治疗效果。

[1]Coley W B. The treatment of malignant tumors by repeated inoculations of erysipelas. With a report of ten original cases. 1893. Clin Orthop， 1991： 3-11.

[2]Burnet M. Cancer： A biological approach. I. The processes of control. Br Med J， 1957， 1： 779-786.

[3]Dunn G P， Old L J， Schreiber R D. The immunobiology of cancer immunosurveillance and immunoediting. Immunity， 2004， 21： 137-148.

[4]Wu T， Wang G， Wang X， et al. Quantification of neoantigenmediated immunoediting in cancer evolution. Cancer Res， 2022， 82（12）： 2226-2238.

[5]Wu T， Wu C， Zhao X， et al. Extrachromosomal DNA formation enables tumor immune escape potentially through regulating antigen presentation gene expression. Sci Rep， 2022， 12（1）： 3590.

[6]Rosenberg S A， Lotze M T， Muul L M， et al. A progress report on the treatment of 157 patients with advanced cancer using lymphokine-activated killer cells and interleukin-2 or high-dose interleukin-2 alone. N Engl J Med， 1987， 316（15）： 889-897.

[7]Robert C， Ribas A， Hamid O， et al. Durable complete response after discontinuation of pembrolizumab in patients with metastatic melanoma. J Clin Oncol， 2018， 36（17）： 1668-1674.

[8]Reynisson B， Alvarez B， Paul S， et al. NetMHCpan-4.1 and NetMHCIIpan-4.0： improved predictions of MHC antigen presentation by concurrent motif deconvolution and integration of MS MHC eluted ligand data. Nucleic Acids Res， 2020， 48： W449-W454 .

[9]Wang G， Wang T， Ning W， et al. TLimmuno 2： Predicting MHC class II antigen immunogenicity through transfer learning. Brief Bioinform， 2023， 24（3）： bbad116.

[10]Lu T， Zhang Z， Zhu J， et al. Deep learning-based prediction of the T cell receptor–antigen binding specificity. Nat Mach Intell， 2021， 3（10）： 864-875.

关键词：肿瘤免疫 免疫编辑 免疫逃逸 免疫治疗 人工智能 ■