aktualności

Immunoterapia przyniosła rewolucyjne zmiany w leczeniu nowotworów złośliwych, ale nadal istnieją pacjenci, którzy nie mogą z niej skorzystać. Dlatego pilnie potrzebne są odpowiednie biomarkery w zastosowaniach klinicznych, aby przewidywać skuteczność immunoterapii, maksymalizując jej skuteczność i unikając niepotrzebnej toksyczności.

Biomarkery zatwierdzone przez FDA

Ekspresja PD-L1. Ocena poziomu ekspresji PD-L1 metodą immunohistochemiczną (IHC) pozwala na uzyskanie wskaźnika TPS (ang. tumor proportion score), który jest odsetkiem komórek nowotworowych o dowolnym nasileniu, częściowo lub całkowicie wybarwionych błonowo, w komórkach nowotworowych, które przeżyły. W badaniach klinicznych test ten służy jako pomocniczy test diagnostyczny w leczeniu zaawansowanego niedrobnokomórkowego raka płuca (NSCLC) pembrolizumabem. Jeśli TPS próbki wynosi ≥ 1%, bierze się pod uwagę ekspresję PD-L1; TPS ≥ 50% wskazuje na wysoką ekspresję PD-L1. W początkowym badaniu fazy 1 (KEYNOTE-001) wskaźnik odpowiedzi pacjentów w podgrupie PD-L1 z TPS>50% stosujących pembrolizumab wyniósł 45,2%, podczas gdy niezależnie od TPS, wskaźnik odpowiedzi wszystkich pacjentów otrzymujących leczenie tym inhibitorem punktu kontrolnego układu odpornościowego (ICI) wyniósł 19,4%. W kolejnym badaniu fazy 2/3 (KEYNOTE-024) pacjentów z TPS PD-L1>50% przydzielono losowo do grupy otrzymującej pembrolizumab i standardową chemioterapię, a wyniki wykazały znaczącą poprawę całkowitego przeżycia (OS) u pacjentów poddawanych leczeniu pembrolizumabem.

Jednak zastosowanie PD-L1 w przewidywaniu odpowiedzi na ICI jest ograniczone przez różne czynniki. Po pierwsze, optymalny próg dla różnych rodzajów nowotworów jest różny. Na przykład, pabolizumab może być stosowany, gdy ekspresja PD-L1 w guzie u pacjentów z rakiem żołądka, rakiem przełyku, rakiem pęcherza moczowego i rakiem płuc wynosi odpowiednio 1%, 10% i 50%. Po drugie, ocena ekspresji PD-L1 w populacji komórek różni się w zależności od rodzaju nowotworu. Na przykład, leczenie nawrotowego lub przerzutowego raka płaskonabłonkowego głowy i szyi może wymagać zastosowania innej zatwierdzonej przez FDA metody testowania, Comprehensive Positive Score (CPS). Po trzecie, nie ma prawie żadnej korelacji między ekspresją PD-L1 w różnych nowotworach a odpowiedzią na ICI, co wskazuje, że tło guza może być kluczowym czynnikiem w przewidywaniu biomarkerów ICI. Na przykład, zgodnie z wynikami testu CheckMate-067, ujemna wartość predykcyjna ekspresji PD-L1 w czerniaku wynosi zaledwie 45%. Wreszcie, liczne badania wykazały, że ekspresja PD-L1 jest niespójna w różnych zmianach nowotworowych u jednego pacjenta, nawet w obrębie tego samego guza. Podsumowując, chociaż wstępne badania kliniczne dotyczące niedrobnokomórkowego raka płuca (NSCLC) zainicjowały badania nad ekspresją PD-L1 jako potencjalnym biomarkerem predykcyjnym, jej przydatność kliniczna w różnych typach nowotworów pozostaje niejasna.

Obciążenie mutacjami w guzie. Obciążenie mutacjami w guzie (TMB) jest wykorzystywane jako alternatywny wskaźnik immunogenności guza. Zgodnie z wynikami badania klinicznego KEYNOTE-158, wśród 10 typów zaawansowanych guzów litych leczonych pembrolizumabem, pacjenci z co najmniej 10 mutacjami na megabazę (wysokie TMB) mieli wyższy wskaźnik odpowiedzi niż pacjenci z niskim TMB. Warto zauważyć, że w tym badaniu TMB był predyktorem PFS, ale nie był w stanie przewidzieć OS.

Odpowiedź immunoterapeutyczna jest głównie napędzana przez rozpoznanie nowych antygenów przez limfocyty T. Immunogenność związana z wyższym TMB zależy również od różnych czynników, w tym neoantygenu guza prezentowanego przez guz; Układ odpornościowy rozpoznaje neoantygeny guza; Zdolność gospodarza do inicjowania odpowiedzi specyficznych dla antygenu. Na przykład dane sugerują, że guzy z najwyższą infiltracją niektórych komórek odpornościowych mogą w rzeczywistości mieć hamującą amplifikację klonów limfocytów T regulatorowych (Treg). Ponadto zakres TMB może różnić się od potencjału neoantygenów TMB, ponieważ dokładne miejsce mutacji również odgrywa znaczącą rolę; Mutacje, które pośredniczą w różnych szlakach prezentacji antygenu, mogą wpływać na prezentację (lub brak prezentacji) nowych antygenów układowi odpornościowemu, co wskazuje, że wewnętrzne i immunologiczne cechy guza muszą być spójne, aby wywołać optymalne odpowiedzi ICI.

Obecnie TMB mierzy się za pomocą sekwencjonowania nowej generacji (NGS), które może się różnić w zależności od instytucji (wewnętrznie) lub wykorzystywanych platform komercyjnych. NGS obejmuje sekwencjonowanie całego eksomu (WES), sekwencjonowanie całego genomu i sekwencjonowanie ukierunkowane, które można uzyskać z tkanki guza i krążącego DNA guza (ctDNA). Warto zauważyć, że różne rodzaje nowotworów mają szeroki zakres TMB, przy czym nowotwory immunogenne, takie jak czerniak, niedrobnokomórkowy rak płuca (NSCLC) i rak płaskonabłonkowy, mają najwyższe poziomy TMB. Podobnie, metody wykrywania zaprojektowane dla różnych typów nowotworów mają różne definicje wartości progowych TMB. W badaniu niedrobnokomórkowego raka płuca (NSCLC), czerniaka, raka urotelialnego i drobnokomórkowego raka płuca, te metody wykrywania wykorzystują różne metody analityczne (takie jak wykrywanie WES lub PCR dla określonej liczby powiązanych genów) i progi (wysokie TMB lub niskie TMB).

Mikrosatelity są wysoce niestabilne. Mikrosatelitarna wysoce niestabilna (MSI-H), jako ogólny biomarker nowotworowy odpowiedzi na ICI, wykazuje doskonałą skuteczność w przewidywaniu skuteczności ICI w różnych nowotworach. MSI-H jest wynikiem defektów naprawy niedopasowań (dMMR), co prowadzi do wysokiego wskaźnika mutacji, szczególnie w regionach mikrosatelitarnych, co skutkuje produkcją dużej liczby nowych antygenów i ostatecznie wywołuje klonalną odpowiedź immunologiczną. Ze względu na wysokie obciążenie mutacjami spowodowane przez dMMR, guzy MSI-H można uznać za rodzaj guza o wysokim obciążeniu mutacjami (TMB). Na podstawie wyników badań klinicznych KEYNOTE-164 i KEYNOTE-158, FDA zatwierdziła pembrolizumab do leczenia guzów MSI-H lub dMMR. Jest to jeden z pierwszych ogólnych leków przeciwnowotworowych zatwierdzonych przez FDA na podstawie biologii guza, a nie jego histologii.

Pomimo znaczącego sukcesu, istnieją również kwestie, na które należy zwrócić uwagę, wykorzystując status MSI. Na przykład, nawet 50% pacjentów z rakiem jelita grubego z dMMR nie wykazuje odpowiedzi na leczenie ICI, co podkreśla znaczenie innych cech w przewidywaniu odpowiedzi. Inne wewnętrzne cechy guzów, których nie można ocenić za pomocą obecnych platform detekcyjnych, mogą być czynnikami przyczyniającymi się do wystąpienia tej reakcji. Na przykład pojawiły się doniesienia, że ​​pacjenci z mutacjami w genach kodujących ważne podjednostki katalityczne polimerazy delta (POLD) lub polimerazy ε (POLE) w regionie DNA nie wykazują wierności replikacji i wykazują fenotyp „supermutacji” w swoich guzach. Niektóre z tych guzów charakteryzują się znacznie zwiększoną niestabilnością mikrosatelitarną (a zatem należą do MSI-H), ale nie brakuje im białek naprawy błędnie sparowanych zasad (a zatem nie występują u nich dMMR).

Ponadto, podobnie jak TMB, na MSI-H wpływają również nowe typy antygenów generowane przez niestabilność mikrosatelitarną, rozpoznawanie przez gospodarza nowych typów antygenów oraz reaktywność układu odpornościowego gospodarza. Nawet w guzach typu MSI-H zidentyfikowano dużą liczbę mutacji pojedynczych nukleotydów jako mutacje pasażerskie (mutacje niekierujące). Dlatego poleganie wyłącznie na liczbie zidentyfikowanych w guzie mikrosatelitów nie jest wystarczające; sam rodzaj mutacji (zidentyfikowany za pomocą specyficznych profili mutacji) może poprawić skuteczność predykcyjną tego biomarkera. Ponadto, tylko niewielki odsetek pacjentów onkologicznych ma guzy typu MSI-H, co wskazuje na obecną potrzebę opracowania biomarkerów o szerszym zastosowaniu. Dlatego identyfikacja innych skutecznych biomarkerów w celu przewidywania skuteczności i ukierunkowania leczenia pacjentów pozostaje ważnym obszarem badań.

Badania biomarkerów oparte na organizacji

Biorąc pod uwagę, że mechanizm działania ICI polega na odwróceniu supresji komórek odpornościowych, a nie na bezpośrednim oddziaływaniu na wewnętrzne szlaki komórek nowotworowych, dalsze badania powinny skupić się na systematycznej analizie środowiska wzrostu guza oraz interakcji między komórkami nowotworowymi a komórkami odpornościowymi, co może pomóc w wyjaśnieniu czynników wpływających na odpowiedź ICI. Wiele grup badawczych badało cechy nowotworowe lub immunologiczne określonych typów tkanek, takie jak cechy mutacji genów nowotworowych i odpornościowych, deficyty prezentacji antygenów nowotworowych lub wielokomórkowe centra lub agregaty immunologiczne (takie jak trzeciorzędowe struktury limfoidalne), które mogą przewidywać odpowiedź na immunoterapię.

Naukowcy wykorzystali NGS do sekwencjonowania eksomu i transkryptomu guza oraz układu odpornościowego w tkankach pacjentów przed i po leczeniu ICI, a także przeprowadzili analizę obrazowania przestrzennego. Zastosowanie wielu zintegrowanych modeli w połączeniu z technikami takimi jak sekwencjonowanie pojedynczych komórek i obrazowanie przestrzenne lub modele multiomiczne poprawiło zdolność predykcyjną wyników leczenia ICI. Ponadto, kompleksowa metoda oceny sygnałów immunologicznych guza i jego wewnętrznych cech również wykazała silniejszą zdolność predykcyjną. Na przykład, kompleksowa metoda sekwencjonowania wsadowego, która jednocześnie mierzy cechy guza i układu odpornościowego, jest lepsza niż pojedyncza zmienna analityczna. Wyniki te podkreślają konieczność symulacji skuteczności ICI w sposób bardziej kompleksowy, w tym uwzględnienia wyników oceny zdolności immunologicznej gospodarza, wewnętrznych cech guza i komponentów układu odpornościowego guza u poszczególnych pacjentów, aby lepiej przewidywać, którzy pacjenci odpowiedzą na immunoterapię.

Biorąc pod uwagę złożoność uwzględnienia czynników nowotworowych i gospodarza w badaniach nad biomarkerami, a także potencjalną potrzebę długoterminowej integracji cech mikrośrodowiska immunologicznego, zaczęto badać biomarkery z wykorzystaniem modelowania komputerowego i uczenia maszynowego. Obecnie w tej dziedzinie pojawiły się przełomowe osiągnięcia badawcze, wskazujące na przyszłość spersonalizowanej onkologii wspomaganej uczeniem maszynowym.

Wyzwania stojące przed biomarkerami tkankowymi

Ograniczenia metod analitycznych. Niektóre istotne biomarkery sprawdzają się w przypadku niektórych typów nowotworów, ale niekoniecznie w przypadku innych. Chociaż cechy genów specyficzne dla danego nowotworu mają silniejszą zdolność predykcyjną niż TMB i inne, nie można ich wykorzystać do diagnozy wszystkich nowotworów. W badaniu obejmującym pacjentów z niedrobnokomórkowym rakiem płuca (NSCLC) stwierdzono, że cechy mutacji genów mają większą zdolność predykcyjną w odniesieniu do skuteczności ICI niż wysokie TMB (≥ 10), ale ponad połowa pacjentów nie była w stanie wykryć cech mutacji genów.

Heterogeniczność guza. Metoda biomarkerów tkankowych pobiera próbki tylko z jednego miejsca guza, co oznacza, że ​​ocena poszczególnych części guza może nie odzwierciedlać dokładnie ogólnej ekspresji wszystkich guzów u pacjenta. Na przykład, badania wykazały heterogeniczność ekspresji PD-L1 między guzami i w ich obrębie, a podobne problemy występują w przypadku innych markerów tkankowych.

Ze względu na złożoność układów biologicznych, wiele wcześniej stosowanych biomarkerów tkankowych mogło zostać nadmiernie uproszczonych. Ponadto komórki w mikrośrodowisku guza (TME) są zazwyczaj mobilne, więc interakcje prezentowane w analizie przestrzennej mogą nie odzwierciedlać rzeczywistych interakcji między komórkami guza a komórkami układu odpornościowego. Nawet jeśli biomarkery idealnie odzwierciedlają całe środowisko guza w określonym punkcie czasowym, to cele te nadal mogą być indukowane i dynamicznie zmieniać się w czasie, co wskazuje, że pojedynczy obraz w danym punkcie czasowym może nie odzwierciedlać dobrze dynamicznych zmian.

Heterogeniczność pacjentów. Nawet jeśli zostaną wykryte znane zmiany genetyczne związane z opornością na ICI, niektórzy pacjenci ze znanymi biomarkerami oporności mogą nadal odnieść korzyści, prawdopodobnie ze względu na heterogeniczność molekularną i/lub immunologiczną w obrębie guza i w różnych jego lokalizacjach. Na przykład, niedobór β2-mikroglobuliny (B2M) może wskazywać na nową lub nabytą lekooporność, ale ze względu na heterogeniczność niedoboru B2M między poszczególnymi pacjentami i w obrębie guzów, a także interakcję mechanizmów zastępczego rozpoznawania immunologicznego u tych pacjentów, niedobór B2M może nie być silnym predyktorem indywidualnej lekooporności. Dlatego, pomimo obecności niedoboru B2M, pacjenci nadal mogą odnieść korzyści z terapii ICI.

Biomarkery podłużne oparte na organizacji
Ekspresja biomarkerów może zmieniać się w czasie i pod wpływem leczenia. Statyczne i pojedyncze oceny guzów i immunobiologii mogą pomijać te zmiany, a zmiany w TME guza i poziomie odpowiedzi immunologicznej gospodarza również mogą zostać przeoczone. Wiele badań wykazało, że pobranie próbek przed i w trakcie leczenia pozwala na dokładniejszą identyfikację zmian związanych z terapią ICI. Podkreśla to znaczenie dynamicznej oceny biomarkerów.

Biomarkery oparte na krwi
Zaletą analizy krwi jest jej zdolność do biologicznej oceny wszystkich pojedynczych zmian nowotworowych, odzwierciedlając odczyty średnie, a nie odczyty dla konkretnych miejsc, co czyni ją szczególnie przydatną do oceny dynamicznych zmian związanych z leczeniem. Liczne wyniki badań wykazały, że wykorzystanie krążącego DNA nowotworowego (ctDNA) lub krążących komórek nowotworowych (CTC) do oceny minimalnej choroby resztkowej (MRD) może pomóc w podejmowaniu decyzji terapeutycznych, jednak testy te oferują ograniczone informacje na temat przewidywania, czy pacjenci mogą odnieść korzyści z immunoterapii, takich jak ICI. Dlatego badanie ctDNA należy łączyć z innymi metodami pomiaru aktywacji immunologicznej lub wydolności układu odpornościowego gospodarza. W tym zakresie poczyniono postępy w immunofenotypowaniu jednojądrowych komórek krwi obwodowej (PBMC) oraz w analizie proteomicznej pęcherzyków zewnątrzkomórkowych i osocza. Na przykład, podtypy obwodowych komórek układu odpornościowego (takie jak limfocyty T CD8+), wysoka ekspresja cząsteczek punktów kontrolnych układu odpornościowego (takich jak PD1 na obwodowych limfocytach T CD8+) oraz podwyższone poziomy różnych białek w osoczu (takich jak CXCL8, CXCL10, IL-6, IL-10, PRAP1 i VEGFA) mogą stanowić skuteczne uzupełnienie dynamicznych ko-biomarkerów ctDNA. Zaletą tych nowych metod jest to, że pozwalają one na ocenę zmian w obrębie guza (podobnych do zmian wykrywanych przez ctDNA), a także mogą ujawnić zmiany w układzie odpornościowym pacjenta.

Radiomiki
Czynniki predykcyjne danych obrazowych mogą skutecznie przezwyciężyć ograniczenia związane z pobieraniem próbek biomarkerów tkankowych i biopsją, a także umożliwiają obserwację całego guza i potencjalnych innych miejsc przerzutowych w dowolnym punkcie czasowym. Dlatego mogą one stać się ważną częścią nieinwazyjnych, dynamicznych biomarkerów w przyszłości. Radiomiki delta umożliwiają ilościowe obliczanie zmian wielu cech guza (takich jak jego rozmiar) w różnych punktach czasowych, na przykład przed i po leczeniu ICI, w trakcie leczenia oraz w okresie późniejszej obserwacji. Radiomiki delta pozwalają nie tylko przewidzieć początkową odpowiedź lub jej brak na wczesne leczenie, ale także identyfikować nabytą oporność na ICI w czasie rzeczywistym i monitorować nawrót choroby po całkowitej remisji. Model obrazowania opracowany z wykorzystaniem technologii uczenia maszynowego jest nawet lepszy niż tradycyjny standard RECIST w przewidywaniu odpowiedzi na leczenie i możliwych zdarzeń niepożądanych. Aktualne badania wskazują, że te modele radiomikowe charakteryzują się polem pod krzywą (AUC) od 0,8 do 0,92 w przewidywaniu odpowiedzi na immunoterapię.

Kolejną zaletą radiomiki jest jej zdolność do precyzyjnej identyfikacji pseudoprogresji. Model radiomiki skonstruowany w oparciu o uczenie maszynowe potrafi skutecznie odróżniać prawdziwą progresję od fałszywej, ponownie mierząc dane z tomografii komputerowej (TK) lub PET dla każdego guza, uwzględniając takie czynniki jak kształt, intensywność i tekstura, z AUC wynoszącym 0,79. Te modele radiomiki mogą być wykorzystywane w przyszłości w celu uniknięcia przedwczesnego przerwania leczenia z powodu błędnej oceny progresji choroby.

Mikrobiota jelitowa
Oczekuje się, że biomarkery mikrobioty jelitowej pozwolą przewidzieć odpowiedź terapeutyczną na leczenie ICI. Liczne badania wykazały, że specyficzna mikrobiota jelitowa jest ściśle związana z odpowiedzią różnych typów nowotworów na leczenie ICI. Na przykład, u pacjentów z czerniakiem i rakiem wątroby, liczebność bakterii Ruminococcaceae jest związana z odpowiedzią na immunoterapię PD-1. Wzbogacenie w bakterie Akkermansia muciniphila jest powszechne u pacjentów z rakiem wątroby, rakiem płuc lub rakiem nerkowokomórkowym, którzy dobrze reagują na leczenie ICI.

Ponadto, nowy model uczenia maszynowego może być niezależny od typów nowotworów i wiązać określone rodzaje bakterii jelitowych z odpowiedzią terapeutyczną immunoterapii. Inne badania ujawniły również specyficzną rolę, jaką poszczególne grupy bakterii odgrywają w regulacji układu odpornościowego gospodarza, co pozwala na dalsze zgłębianie sposobów zapobiegania lub promowania ucieczki komórek nowotworowych spod kontroli układu odpornościowego.

Terapia neoadjuwantowa
Dynamiczna ocena biologii guza może ukierunkować późniejsze strategie leczenia klinicznego. Badanie terapii neoadjuwantowej pozwala ocenić efekt terapeutyczny poprzez remisję patologiczną w próbkach chirurgicznych. W leczeniu czerniaka pierwotna odpowiedź patologiczna (MPR) jest związana ze wskaźnikiem przeżycia bez nawrotu. W badaniu PRADO naukowcy określają kolejne środki interwencji klinicznej, takie jak zabieg chirurgiczny i/lub terapia adiuwantowa, w oparciu o dane dotyczące remisji patologicznej u poszczególnych pacjentów.

Wśród różnych rodzajów nowotworów, kilka nowych opcji terapii adiuwantowej wciąż nie ma bezpośredniego porównania. Dlatego wybór między monoterapią immunoterapeutyczną a terapią skojarzoną jest często podejmowany wspólnie przez lekarza prowadzącego i pacjenta. Obecnie naukowcy opracowali cechę interferonu gamma (IFN gamma) zawierającą 10 genów jako biomarker do przewidywania remisji patologicznej w czerniaku po terapii neoadjuwantowej. Następnie zintegrowali te cechy w algorytm, aby wybrać pacjentów z silną lub słabą odpowiedzią na terapię neoadjuwantową. W badaniu kontynuacyjnym o nazwie DONIMI naukowcy wykorzystali tę punktację, w połączeniu z bardziej złożoną analizą, nie tylko do przewidywania odpowiedzi na leczenie, ale także do określenia, którzy pacjenci z czerniakiem w stadium III wymagają dołączenia inhibitorów deacetylazy histonowej (HDACi) w celu wzmocnienia odpowiedzi na neoadjuwantowe leczenie ICI.

Model guza uzyskany od pacjentów
Modele guzów in vitro mają potencjał przewidywania odpowiedzi specyficznych dla pacjenta. W przeciwieństwie do platformy in vitro wykorzystywanej do analizy spektrum odpowiedzi na leki w nowotworach hematologicznych, guzy lite stoją przed większymi wyzwaniami ze względu na swoją unikalną mikrostrukturę i interakcje immunologiczne. Prosta hodowla komórek nowotworowych nie jest w stanie łatwo odtworzyć tych złożonych cech. W tym przypadku narządy przypominające guzy lub chipy narządowe pochodzące od pacjentów mogą kompensować te ograniczenia strukturalne, ponieważ zachowują oryginalną strukturę komórek nowotworowych i symulują interakcje z limfoidalnymi i mieloidalnymi komórkami odpornościowymi, aby ocenić odpowiedzi ICI w sposób specyficzny dla pacjenta, a tym samym dokładniej odtworzyć cechy biologiczne w bardziej realistycznym środowisku trójwymiarowym.

W kilku przełomowych badaniach w Chinach i Stanach Zjednoczonych wykorzystano ten nowy, trójwymiarowy model guza in vitro o wysokiej wierności. Wyniki pokazują, że modele te mogą skutecznie przewidywać odpowiedź raka płuc, raka jelita grubego, raka piersi, czerniaka i innych nowotworów na ICI. Stanowi to podstawę do dalszej weryfikacji i standaryzacji skuteczności predykcyjnej tych modeli.