癌症免疫疗法仅会对一小部分患者提供持久的临床效益，由于缺乏可靠的生物标志物来预测以及评估疗法的反应，因此识别这一部分患者就显得非常困难了。近日，一篇发表在国际杂志Cancer Research上题为“Raman spectroscopy and machine learning reveals early tumor microenvironmental changes induced by immunotherapy”的研究报告中，来自约翰霍普金斯大学等机构的科学家们首次利用一种非侵入性的光学探针来理解癌症患者接受化疗后机体肿瘤所发生的复杂变化，化疗是一种能利用机体免疫系统来抵御癌症的疗法，这种方法能将对肿瘤的生化组分的详细图谱分析与机器学习技术相结合。

　　研究者Ishan Barman说道，免疫疗法真的像魔法一样有效，其能从根本上改变我们看待癌症的管理方式。然而，仅有大约25%的患者能从中获益，因此目前我们就迫切需要识别一种预测性的生物标志物来确定到底哪些患者应该接受疗法。利用一种名为拉曼光谱的技术(该技术能利用光来确定材料的分子组成)，研究人员就分析了在免疫疗法中接受两类免疫检查点抑制剂的小鼠机体中的结肠癌肿瘤，同时对未治疗的对照组小鼠也进行了分析。

　　拉曼光谱技术最近才被优化用于生物医学研究领域，本文中，研究人员首次揭示了这种光学技术或有能力帮助识别患者早期的反应或对免疫疗法的耐受性;拉曼光谱的其中一个优势在于其能提供精确的分子特异性，这样科学家们就能获得一个非常精确的分子特征，同样，该方法还非常适合于探索肿瘤微环境中的组成变化，而并不仅仅是癌细胞。

　　研究者Barman说道，相比锁定数个可疑分子，我们更感兴趣分析肿瘤微环境的全景图谱，这是因为肿瘤并不仅仅是一种恶性细胞，肿瘤所处的微环境中包含了肿瘤基质、血管、浸润性炎性细胞以及多种相关的组织细胞所组成的复杂混合物;研究者的想法就是采取这种方法并使其系统化，以便能被临床医生用来确定免疫疗法是否对患者有益。

　　为此，研究人员使用拉曼数据(来自25个肿瘤大约7500个光谱数据点)来训练算法确定免疫疗法所诱导的一系列特征;研究者的问题是他们是否能有效区分这三组，然后就是什么样的具体光谱特征能帮助有效区分它们。研究者利用来自不同小鼠的数据建立了机器学习分类器并测试了其性能，其目的就是模拟算法在遇到新数据时将会遭遇的生物可变性。研究者说道，你或许会毫无疑问地证明你所看到的差异是由免疫检查点抑制剂所引起的，而并不仅仅是两个个体之间所表现出的差异。

　　本文研究结果非常重要，研究人员目前能够确定，当给予每种免疫检查点抑制剂疗法时，患者机体中的胶原蛋白水平、脂质水平和核酸水平，以及其在肿瘤中的空间分布都会发生明显的变化;这一差异或许是非常微妙，但却具有统计学意义，并与对样本所进行的蛋白质组学分析相一致，这这或许就表明，该技术能提供肿瘤对疗法反应的早期迹象。当然后期研究人员还需要进行更多的研究来证实，但他们相信本文研究工作或为后期开发新方法来预测是否患者会对免疫疗法产生积极性反应奠定了一定的基础。

　　研究者Paidi说道，当与机器学习相结合后，拉曼光谱技术或许就能潜在地转化为临床方法来帮助预测癌症患者对疗法的反应。综上，本文研究结果表明，在蛋白质组学分析的证实下，研究者对肿瘤微环境中的生化分子改变的观察或许有望帮助他们后期进行更为详细地调查，从而将诸如此类标志物和无标签拉曼光谱技术转化为在临床中监测癌症患者对免疫疗法的反应。(生物谷Bioon.com)

　　原始出处：

　　Santosh Kumar Paidi, Joel Rodriguez Troncoso, Piyush Raj, et al. Raman spectroscopy and machine learning reveals early tumor microenvironmental changes induced by immunotherapy, Cancer Research (2021). DOI:10.1158/0008-5472.CAN-21-1438

　　文章摘自网络，侵删