Cell | AI驱动发现GPNMB CAR-T细胞作为多癌种治疗方案

嵌合抗原受体T细胞，即CAR-T细胞，已经在血液肿瘤中显示出治愈性潜力，并且在实体瘤和非恶性疾病中的疗效也在逐步提升。然而，靶点发现仍然是 CAR-T 细胞治疗发展的主要瓶颈。研究人员开发了一种 AI 驱动的 CAR-T 靶点发现方法，将人类皮肤癌和健康组织的单细胞 RNA 测序数据整合起来，筛选适合 CAR-T 细胞识别的候选抗原。随后，研究人员利用公共数据集进一步优化候选靶点，重点考虑肿瘤细胞组成、组织特异性和临床可转化性，并使用大语言模型对具有治疗潜力的靶点进行优先级排序和提名。

在这一流程中，糖蛋白非转移性黑色素瘤蛋白 B，即 GPNMB，成为最频繁被提名的靶点。研究人员进一步验证了 GPNMB 在血液肿瘤和实体瘤中的表达，并构建了靶向人 GPNMB 的 CAR-T 细胞。该 CAR-T 细胞在单核母细胞白血病、黑色素瘤和结直肠腺癌小鼠模型中均显示出强效抗肿瘤活性。总体而言，该研究建立了一个可扩展的 CAR-T 靶点发现流程，并支持将靶向 GPNMB 的 CAR-T 细胞作为一种多癌种治疗策略推进转化。

CAR-T 细胞治疗已经开启了医学中的新治疗范式，尤其是在部分血液肿瘤患者中，CAR-T 细胞可以带来深度甚至治愈性缓解。当前，CAR-T 细胞疗法正逐步扩展到实体瘤和非恶性疾病中，但其进一步应用受到安全靶点匮乏的严重限制。CAR-T 细胞是一种高度个体化且制备复杂的治疗产品，因此如果一个 CAR-T 产品能够跨多个适应症发挥作用，就会具有很高的临床价值。CD19 CAR-T 细胞正是这样的典型例子，它不仅在白血病和淋巴瘤中取得巨大影响，也开始在难治性系统性自身免疫病中显示出早期但令人瞩目的疗效。

现有抗原发现流程通常需要先生成或分析疾病特异性数据库，寻找在疾病组织中富集的靶点。随后，研究人员需要进一步判断这些靶点是否位于细胞表面，因为 CAR-T 细胞只能识别细胞表面抗原。之后，还必须评估靶点在正常组织中的表达情况，以避免“靶向正常组织”的毒性。CAR-T 细胞具有很强的细胞杀伤能力，如果靶抗原在重要正常组织中表达，可能导致严重甚至致命的不良反应。最后，为了提高转化可行性，研究人员通常也会优先考虑已有药物或生物制剂开发经验的靶点，因为这类靶点的安全性和临床可操作性可能更容易评估。传统流程往往耗时、耗费资源，并且成功率不稳定。

因此，建立一个可系统识别安全、强效 CAR-T 靶点的可扩展平台，将有助于加速 CAR-T 细胞疗法在多种癌症和其他疾病中的应用。近年来，人工智能特别是大语言模型的发展，为生物医学研究提供了新的工具。这类模型能够快速综合复杂生物数据、公共知识和临床背景，并对候选目标进行推理和排序。尽管大语言模型在生物医学中的应用越来越受到关注，但其在 CAR-T 细胞治疗靶点发现中的应用仍然有限。研究人员提出，如果将大语言模型推理与高分辨率细胞图谱结合，就可能建立一种系统、可扩展的 CAR-T 靶点提名框架。

研究人员因此开发了一个 AI 驱动的 CAR-T 靶点发现平台。该平台首先整合多个皮肤癌单细胞数据集与健康人类皮肤参考数据集，识别在恶性细胞群体中组成性富集的基因。随后，研究人员利用多个公共资源补充每个候选靶点的信息，包括亚细胞定位、组织特异性、肿瘤覆盖度和临床可转化性。最后，研究人员使用多个大语言模型对候选靶点进行权重优化、排序和提名。该流程最终将 GPNMB 识别为首选候选靶点。令人注意的是，GPNMB 不仅在皮肤癌中表达，也在多种癌症中广泛表达。研究人员进一步构建了靶向 GPNMB 的 CAR-T 细胞，并在白血病、黑色素瘤和结直肠癌人源化模型中验证了其强效抗肿瘤活性。

方法

研究人员建立了一个由数据、知识和推理共同驱动的 AI 靶点发现流程。首先，研究人员整合公开的人类皮肤癌单细胞 RNA 测序数据集，覆盖基底细胞癌、鳞状细胞癌以及不同阶段的黑色素瘤，并将这些恶性细胞数据与健康皮肤参考图谱进行整合，从而识别在肿瘤细胞中富集、但在健康组织中相对有限的候选基因。随后，研究人员从 UniProt、Human Protein Atlas、GTEx、Open Targets、clinicaltrials.gov 和 ProteomicsDB 等公共资源中提取候选靶点信息，并将其归入亚细胞定位、肿瘤特异性、癌症细胞组成和临床可转化性四类特征。研究人员再结合 CAR-T 细胞开发经验设定初始权重，并使用 ChatGPT-4o、Claude-3.7 和 Gemini-2.5-Pro 三个大语言模型进行多次独立模拟，优化各特征权重并提名候选靶点。计算得到的优先靶点随后通过转录组、免疫荧光、流式细胞术、免疫组织化学和体内外功能实验进行验证。对于 GPNMB，研究人员构建了第二代 CAR-T 细胞，并在血液肿瘤、黑色素瘤和结直肠癌模型中评估其抗原特异性激活、增殖、细胞因子分泌、肿瘤杀伤、体内扩增、肿瘤控制和生存获益。

结果

构建单细胞皮肤癌与健康组织图谱以识别 CAR-T 靶点

识别理想 CAR-T 靶点需要同时平衡多个关键因素，包括肿瘤表达强度、健康组织中低表达、细胞表面定位以及临床转化可行性。研究人员因此采用三部分策略：整合多个研究的数据，从公共资源中补充知识，并使用大语言模型进行系统性靶点提名。

研究人员选择皮肤癌作为靶点发现起点。皮肤癌，尤其是难治性皮肤癌，具有较高临床需求，同时免疫治疗已经在该疾病领域显示出明确价值。由于 CAR-T 治疗面临肿瘤抗原异质性和靶向正常组织毒性的挑战，研究人员需要在单细胞分辨率下评估抗原在肿瘤细胞中的覆盖度及其在健康细胞中的分布。

研究人员整合了四个公开皮肤癌单细胞 RNA 测序数据集，这些数据涵盖不同疾病阶段和亚型，包括基底细胞癌、鳞状细胞癌、黑色素瘤以及转移性黑色素瘤。样本治疗史也具有多样性，有些患者未接受治疗，有些患者在取样前接受过免疫治疗或靶向治疗。经过批次效应校正后，研究人员将这些数据整合为一个标准化皮肤癌图谱。随后，研究人员提取癌症数据集中的恶性细胞群体，并将其与 Tabula Sapiens 中的健康人类皮肤数据整合，形成包含恶性细胞和健康细胞的综合图谱。这个图谱被用于识别在恶性细胞组成中更普遍出现的基因，并作为后续靶点优先级排序的基础。

用安全性、可操作性和转化可行性特征增强候选靶点信息

在完成数据整合后，研究人员为图谱中的每个潜在靶点补充公共资源信息。这些资源包括蛋白功能和亚细胞定位数据库、健康组织表达数据库、临床试验数据库以及蛋白质组数据库。研究人员将候选靶点的评价标准归纳为四个核心维度：亚细胞定位、肿瘤特异性、癌症细胞组成和临床可转化性。

亚细胞定位非常关键，因为 CAR-T 细胞只能识别细胞表面抗原。靶点对疾病组织的特异性也很重要，因为 CAR-T 细胞具有强杀伤能力，如果靶点在重要正常组织中表达，可能会造成严重毒性。为更细致评估安全性，研究人员根据组织是否重要以及数据类型是 RNA 还是蛋白，把正常组织表达进一步拆分为多个子类别。癌症细胞组成评分用于评估治疗覆盖度，即某个靶点在肿瘤细胞群体中被多少比例的恶性细胞表达。由于肿瘤内部异质性可能导致抗原阴性克隆逃逸和复发，这一指标有助于优先选择在恶性细胞中广泛表达的靶点。临床可转化性则反映某个靶点是否已有药物、抗体或临床研究基础；虽然这不是 CAR-T 靶点的必要条件，但已有临床探索经验可以增强转化合理性。

单独按某一个特征排序会牺牲其他重要属性。例如，只看肿瘤表达可能忽略健康组织毒性，只看表面定位可能忽略肿瘤覆盖度。为解决这个问题，研究人员采用“人在回路中”的策略，先根据团队在 CAR-T 细胞临床和开发中的经验，为各项特征设定初始权重，尤其强调癌症细胞组成、细胞表面定位和重要正常组织低表达。随后，研究人员让三个大语言模型进行多次独立模拟，优化每个特征的权重。尽管三个模型存在差异，但它们对关键特征的重要性形成了较强共识，尤其集中在癌症细胞组成、亚细胞定位和重要组织表达限制上。由此，研究人员建立了一个复合评分系统，用于优先排序理想 CAR-T 靶点。

基于大语言模型推理提名CAR-T靶点

在优化权重后，研究人员先筛选出排名前 100 的候选基因，并要求每个大语言模型从中提名最有前景的皮肤癌 CAR-T 靶点。每个模型都需要从候选列表中选择 10 个基因，并明确说明提名原因。提名理由包括肿瘤特异性、多癌种应用潜力、临床开发潜力、重要正常组织低表达以及与特定患者亚群相关。

不同大语言模型在提名靶点和给出理由时存在一定差异，但在最靠前的候选靶点上形成了明显共识。PMEL 作为已知黑色素瘤富集靶点，主要因肿瘤特异性被提名，但很少因多癌种潜力被提名。IGF1R 则较少因肿瘤特异性被提名，却经常因多癌种潜力被模型选择。GPNMB 是最频繁被提名的靶点，它既因肿瘤特异性被反复选中，也显示出较强的多癌种应用信号。研究人员观察到，被提名靶点在单细胞图谱中的恶性细胞群体中具有明显富集，这进一步支持了计算框架的有效性。

为了测试框架稳定性，研究人员又重复运行该流程，增加更多独立模拟。结果显示，该系统化的人在回路 AI 流程稳定识别并优先推荐了多个皮肤癌 CAR-T 治疗候选靶点，其中 GPNMB 位居最前列。

有无领域专家参与时靶点提名的稳健性

为了评估人类领域专家权重对靶点排序的影响，研究人员移除了专家定义的初始权重，让每个大语言模型直接为特征赋权并重复模拟。结果显示，虽然不同特征的排名发生了一些变化，但最终生成的靶点列表与专家参与版本高度一致。前 100 个基因中绝大多数重叠，最终前 15 个提名靶点中也有大部分共享。

这一结果说明，该框架并不完全依赖深度专家手工调参。领域知识有助于提升设定合理性和解释性，但即便没有专家初始权重，大语言模型结合真实生物数据和公共知识后，也能得到相对一致的候选靶点排序。这使该框架具有更广泛可用性，特别是对于没有深厚 CAR-T 开发经验但希望开展靶点发现的研究团队。

输入数据分辨率对靶点提名的影响

虽然单细胞数据正在快速增长，并且能够提供 CAR-T 靶点发现所需的细胞类型分辨率，但在历史靶点发现工作中，bulk RNA 测序数据更加常见。研究人员因此测试 bulk RNA 测序数据是否能够产生与单细胞数据相似的结果。他们使用 TCGA 黑色素瘤 bulk RNA 测序队列重新运行完整发现流程，并用肿瘤表达评分替代单细胞中的癌症细胞组成评分。

这一替代导致靶点优先级发生显著变化。由于 bulk 数据缺乏细胞类型特异性信息，大语言模型给出的特征权重也发生偏移。单细胞流程和 bulk 流程得到的前 100 个候选靶点重叠较少，最终前 15 个靶点中共享目标也很少。一个原因是单细胞数据覆盖的转录本较少，另一个更关键的原因是 bulk 数据无法区分表达来自肿瘤细胞还是来自肿瘤微环境中的免疫细胞。例如，TIGIT、CTLA4 和 CD83 在 bulk 分析中可能被提名，但单细胞分辨率显示它们主要表达于 T 细胞或髓系细胞，而不是肿瘤细胞本身。因此，尽管它们在整体肿瘤组织中富集，却并不适合作为肿瘤定向 CAR-T 靶点。

这些结果表明，bulk RNA 测序不能直接替代单细胞 RNA 测序用于 CAR-T 靶点发现。失去细胞分辨率会显著改变靶点优先级，并可能把肿瘤浸润免疫细胞中的标志物误认为肿瘤细胞靶点。随着单细胞数据质量和覆盖范围不断提升，研究人员预计单细胞图谱将成为 CAR-T 靶点发现更优先的数据基础。

在人类皮肤癌中验证 AI 提名靶点的真实相关性

为了验证 AI 驱动 CAR-T 靶点排序框架的生物学相关性，研究人员采用多种正交方法进行验证，包括 bulk 转录组分析、免疫荧光显微成像以及非透化条件下流式细胞术检测细胞表面蛋白。TCGA 黑色素瘤数据分析显示，多个排名靠前的靶点，包括 GPNMB、ERBB3 和 IGF1R，在黑色素瘤样本中相较正常组织转录水平升高。

随后，研究人员在多个黑色素瘤细胞系中使用免疫荧光验证这些靶点的蛋白表达。结果显示，多个候选靶点在细胞膜和细胞内部均有明显表达。由于 CAR-T 细胞治疗必须依赖细胞表面表达才能有效识别靶细胞，研究人员进一步使用非透化流式细胞术验证这些蛋白是否位于细胞表面。结果确认，GPNMB、ERBB3 和 IGF1R 等多个候选靶点确实存在于黑色素瘤细胞表面。

这些结果共同验证了靶点发现流程的有效性，说明 AI 提名靶点并不只是计算上的候选，而是在真实人类黑色素瘤系统中具有可检测的表达和可靶向性。其中，GPNMB 的表现尤其突出，为进一步开发靶向 GPNMB 的 CAR-T 细胞提供了充分依据。

图1：由数据、知识和推理共同驱动的 AI 框架识别 GPNMB 为皮肤癌 CAR-T 细胞靶点。

GPNMB 是多种癌症中的可操作靶点

GPNMB 是一种 I 型跨膜糖蛋白，参与细胞黏附、迁移、组织修复和免疫抑制等过程。研究人员进一步评估 GPNMB 在多种癌症中的表达情况。TCGA bulk RNA 测序数据显示，GPNMB 不仅在黑色素瘤中升高，也在多种恶性肿瘤中表现出较高表达，包括部分血液肿瘤和多种实体瘤。

为了在蛋白水平验证这一发现，研究人员对患者肿瘤活检样本进行了免疫组织化学染色。结果与转录组数据一致，GPNMB 蛋白在黑色素瘤及多种癌症组织中表达。多数黑色素瘤样本显示强 GPNMB 染色，而其他癌种样本也显示不同程度的肿瘤阳性染色。相比之下，GPNMB 在多种健康组织中表达较低或缺失。对于 CAR-T 细胞治疗而言，更关键的是靶点必须暴露在细胞表面；研究人员在多种癌症细胞系中通过流式细胞术确认了 GPNMB 的表面表达。这说明 GPNMB 不仅在转录和组织染色层面可见，也具有 CAR-T 细胞识别所需的表面可及性。

开发靶向 GPNMB 的 CAR-T 细胞

为了靶向 GPNMB 阳性肿瘤，研究人员构建了第二代 GPNMB CAR。其抗原结合域来自 glembatumumab vedotin 所使用的抗体识别结构。Glembatumumab vedotin 是一种靶向 GPNMB 的抗体药物偶联物，曾经历较充分的临床开发。虽然该药物因临床试验未达到主要终点而停止开发，但它已经表明靶向细胞表面 GPNMB 在临床上具有可行性。CAR-T 细胞在多种抗体治疗无效的场景中可以表现出更强效力，因此研究人员认为有理由将 GPNMB 从抗体药物偶联物靶点重新开发为 CAR-T 靶点。

研究人员将该抗体的轻链和重链结合结构整合到第二代 CAR 构建体中，该构建体包含 CD8α 铰链区和跨膜区、4-1BB 共刺激结构域以及 CD3ζ 信号结构域。用慢病毒载体转导原代人 T 细胞后，细胞能够成功表达表面 CAR，并在多个供者来源 T 细胞中表现出良好激活和扩增能力。这表明研究人员成功建立了可用于功能测试的人源 GPNMB CAR-T 细胞。

GPNMB CAR-T 细胞在血液恶性肿瘤中显示强效抗肿瘤活性

鉴于 CAR-T 细胞在血液肿瘤中已有显著临床成功，研究人员首先测试 GPNMB CAR-T 细胞是否能够识别并清除 GPNMB 阳性血液恶性肿瘤。B 细胞急性淋巴母细胞白血病细胞表面不表达 GPNMB，而单核母细胞白血病和急性髓系白血病细胞显示出不同程度的 GPNMB 表面表达。

为了测试 GPNMB CAR-T 细胞的特异性和效力，研究人员从激活、效应功能和杀伤能力三个方面进行验证。GPNMB CAR-T 细胞只在与 GPNMB 阳性恶性细胞共培养时发生抗原特异性增殖，并且只有在遇到 GPNMB 阳性肿瘤细胞时才显著增加细胞因子分泌。最重要的是，GPNMB CAR-T 细胞能够强效杀伤单核母细胞白血病和急性髓系白血病细胞，同时保留对 GPNMB 阴性恶性细胞的低反应性。这些结果说明，研究人员构建的 GPNMB CAR-T 细胞具有明确的抗原特异性和抗肿瘤效力。

随后，研究人员在体内评估 GPNMB CAR-T 细胞对血液恶性肿瘤的疗效。他们使用人源单核母细胞白血病异种移植小鼠模型，将肿瘤细胞静脉注入免疫缺陷小鼠，并在之后给予对照 T 细胞或 GPNMB CAR-T 细胞。CAR-T 治疗后，外周血中人 CD45 阳性细胞显著扩增，提示 CAR-T 细胞在体内遇到靶抗原并发生扩增。虽然外周血中未观察到明显肿瘤负荷，可能因为肿瘤主要在骨髓中植入和扩增，但接受对照 T 细胞的小鼠迅速出现疾病进展并达到人道终点；相反，接受 GPNMB CAR-T 细胞的小鼠能够存活数月，且没有明显疾病迹象。小鼠体重稳定，也未观察到明显毒性。这些结果证明，GPNMB CAR-T 细胞在 GPNMB 阳性血液恶性肿瘤模型中具有强效体内疗效。

图2：GPNMB 是广泛表达的肿瘤抗原，并支持 CAR-T 细胞强效靶向血液恶性肿瘤。

GPNMB CAR-T 细胞对黑色素瘤显示强效抗肿瘤活性

研究人员随后测试 GPNMB CAR-T 细胞在实体瘤中的效用。由于 AI 驱动框架最初就是从皮肤癌靶点发现出发，并且 GPNMB 在黑色素瘤中表现突出，因此黑色素瘤成为关键验证对象。体外实验显示，GPNMB CAR-T 细胞能够以剂量依赖方式强效杀伤黑色素瘤细胞。

在体内实验中，研究人员将人源黑色素瘤细胞皮下接种到免疫缺陷小鼠中，待肿瘤建立后随机给予对照 T 细胞或 GPNMB CAR-T 细胞。接受 GPNMB CAR-T 细胞的小鼠在输注后显示出外周血中人 T 细胞显著扩增，提示 CAR-T 细胞在体内识别肿瘤抗原并发生增殖。血清分析显示，GPNMB CAR-T 细胞治疗组的小鼠细胞因子水平升高，也支持其发生了抗原依赖性激活。

肿瘤体积随时间监测显示，与对照 T 细胞相比，GPNMB CAR-T 细胞显著抑制黑色素瘤生长。多数接受 GPNMB CAR-T 细胞治疗的小鼠达到完全缓解，而对照组小鼠均因肿瘤进展达到人道终点。生存分析也显示，GPNMB CAR-T 细胞显著改善总体生存。总体而言，这些数据表明，GPNMB CAR-T 细胞在体内具有强效且持久的抗黑色素瘤活性，支持其在黑色素瘤患者中的临床转化潜力。

GPNMB CAR-T细胞在结直肠癌中显示强效抗肿瘤活性

由于 GPNMB 在多种实体瘤中广泛表达，研究人员进一步评估这种疗法是否适用于其他实体癌。多种不同来源的癌细胞系表面均检测到 GPNMB，包括结直肠癌、胰腺癌和肾癌细胞。体外杀伤实验显示，GPNMB CAR-T 细胞能够持续裂解这些 GPNMB 阳性肿瘤细胞。

研究人员随后在结直肠腺癌异种移植模型中进行体内验证。免疫缺陷小鼠接种结直肠腺癌细胞后，随机接受对照 T 细胞或 GPNMB CAR-T 细胞治疗。与黑色素瘤模型类似，接受 GPNMB CAR-T 细胞的小鼠外周血中人 T 细胞显著扩增，血清中效应细胞因子增加，提示 CAR-T 细胞发生靶向激活和效应反应。肿瘤体积监测显示，GPNMB CAR-T 细胞显著抑制结直肠肿瘤生长，并且所有治疗小鼠均达到完全缓解。生存分析显示，GPNMB CAR-T 细胞显著改善小鼠生存，而对照组小鼠均因肿瘤进展达到人道终点。

值得注意的是，虽然 GPNMB CAR-T 细胞在两个实体瘤模型中均表现出强抗肿瘤活性，但黑色素瘤模型中少数小鼠出现复发，而结直肠癌模型中未观察到复发。进一步分析显示，尽管两个模型中 CAR-T 细胞剂量相同，结直肠癌模型在治疗后表现出更强的 T 细胞扩增，并伴随外周血中 CD8 阳性细胞偏向。这提示不同肿瘤本身的内在因素可能影响 GPNMB CAR-T 细胞的扩增和疗效。整体而言，这些数据表明，GPNMB CAR-T 细胞不仅对黑色素瘤有效，也可能对多种实体瘤具有广泛治疗潜力。

图3｜占位图题：GPNMB CAR-T 细胞在实体瘤中表现出强效抗肿瘤反应。

讨论

CAR-T 细胞治疗能否扩展到更广泛医学领域，关键取决于能否发现安全、有效且适合转化的靶抗原。当前靶点发现方法仍然缓慢、分散，并且容易受到研究者经验和数据偏倚影响，因此迫切需要系统化、可扩展的解决方案。研究人员在本文中提出了一个 AI 指导框架，将单细胞转录组、公共知识资源和大语言模型推理整合起来，用于理性优先排序 CAR-T 靶点。该框架有望降低 CAR-T 靶点发现门槛。类似策略也可拓展到其他形式的 T 细胞治疗，例如结合蛋白质组学、糖组学或细胞内肽呈递信息，发现更适合 TCR-T 或其他工程细胞疗法的癌症特异性靶点。

该研究是大语言模型应用于 CAR-T 治疗领域的早期探索之一。大语言模型提供了可扩展的靶点发现框架，能够整合多维数据并产生可解释的候选排序。研究人员通过真实世界数据和公共知识对模型进行约束，降低了模型“幻觉”风险。随着大语言模型继续演化，特别是具备任务规划和工具使用能力的智能体系统出现，它们进行生物学推理和治疗设计的能力可能进一步增强。除靶点识别外，类似策略未来还可用于 CAR 结构优化、逻辑门控设计、多基因编辑优先级排序以及临床试验方案制定。AI 与工程化细胞治疗的结合，预示着免疫治疗研发方式可能发生更广泛变化。

GPNMB CAR-T 细胞在不同肿瘤模型中表现出不同疗效强度，这也是未来需要深入探索的重要问题。结直肠癌模型中所有小鼠完全缓解，而黑色素瘤模型中少数小鼠复发，提示局部肿瘤微环境和肿瘤内在因素可能影响 CAR-T 细胞扩增、浸润、持久性和抗肿瘤效果。GPNMB 在多种恶性肿瘤中的广泛表达可能与肿瘤应激反应和溶酶体、自噬相关通路有关。这些通路常被肿瘤用来支持生长、侵袭和免疫逃逸，因此可能解释 GPNMB 在多种肿瘤谱系中上调。理解这一机制不仅有助于解释 GPNMB 的广泛分布，也可能帮助识别哪些患者最可能从 GPNMB CAR-T 细胞中获益。

GPNMB 在多种肿瘤中表达，在重要正常组织中表达较低，并且已有来自 glembatumumab vedotin 的临床验证靶向结构域，这些因素共同支持其转化潜力。虽然抗体药物偶联物靶向 GPNMB 的临床开发未达到既定主要终点，但其结果提示靶向表面 GPNMB 具有一定临床可行性。CAR-T 细胞与抗体药物不同，具有增殖、组织穿透和体内持久存留能力，因此在抗体治疗不足的场景中可能展现更高效力。研究人员认为，GPNMB 靶向抗体治疗的可行性和部分疗效信号，为部署 GPNMB 中心的 T 细胞治疗提供了强有力依据。

当然，安全性仍然是 GPNMB CAR-T 细胞未来转化的关键问题。虽然研究人员对健康组织中的 GPNMB 表达分析提示其安全性较有利，并且既往抗体药物偶联物临床试验也支持靶向该抗原的可耐受性，但 CAR-T 细胞通常比抗体治疗更强效，因此仍需谨慎评估“靶向肿瘤同时攻击正常组织”的风险。研究人员提到，在该工作后期已有临床病例报道将 GPNMB CAR-T 细胞用于腺泡状软组织肉瘤，并观察到活性信号且未出现严重毒性。虽然仍需要更系统的安全性研究，但这一临床观察增强了 GPNMB CAR-T 细胞作为多癌种疗法的可行性。

研究人员也指出了本研究的局限性。该工作主要使用人 CAR-T 细胞和免疫缺陷异种移植小鼠模型，因此难以完整评估 T 细胞外部机制、免疫微环境影响以及靶向正常组织毒性。由于该 CAR 构建体识别人 GPNMB 而不识别小鼠 GPNMB，因此无法直接在小鼠正常组织中进行完整安全测试；不过，人类健康器官免疫组织化学显示重要组织中 GPNMB 表达较低。黑色素瘤复发肿瘤样本未能用于机制分析，白血病模型监测也主要局限于外周血。此外，在靶点发现阶段，评分受到当前可用单细胞研究数量的限制，未来更大规模样本将进一步提升框架表现。AI 框架使用的是通用提示结构，以增强跨模型适用性和可重复性，但这也可能低估了针对具体模型优化提示后可获得的性能提升。

总体而言，研究人员证明，将先进计算方法与严格实验验证结合，可以有效发现并开发新的 CAR-T 细胞治疗策略。GPNMB 被识别为一种跨多种癌症表达的多功能靶点，而 GPNMB CAR-T 细胞在多个临床前模型中显示出强效抗肿瘤疗效，为其临床转化提供了坚实理由。更广义上，这一 AI 指导发现框架提供了一种可扩展、可泛化的 CAR-T 靶点发现方法，未来有潜力应用于更多癌症和其他疾病。

整理 | DrugOne团队

参考资料

Goswami, Pawan Kumar, and Sandip Chatterjee. "Biological multi-omics approaches to next-generation biomarkers in immune-related disorders and malignancies: An overview." Clinical and Translational Oncology (2026): 1-16.