Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy
在肿瘤免疫治疗领域，精准识别肿瘤反应性T细胞受体（TCRs）对于开发个性化转基因T细胞治疗方案具有关键意义。然而，目前这一识别过程仍面临时间和成本的双重挑战。传统的识别方法主要依赖于分析肿瘤突变来预测能够激活T细胞的（neo）抗原，进而利用这些预测结果富集肿瘤膨胀淋巴细胞（TIL）培养物，或对单个TCR进行验证以应用于转基因自体治疗。
2024年3月7日，E. W. Green等科学家在《Nature Biotechnology》杂志上发表了一篇题为“Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy”的文章，介绍了一种创新的TCR预测方法。该方法巧妙地结合了高通量TCR克隆与反应性验证技术，并通过机器学习分类器，基于单细胞TIL RNA测序数据，以抗原不可知的方式精准识别单一肿瘤反应性TILs。
与以往基于基因集合富集的预测方法相比，这种名为PredicTCR的新方法展现出显著优势。它能够更精准地识别不同癌症类型中TIL所包含的肿瘤反应性TCR，将特异性和敏感性的几何平均值从0.38大幅提升至0.74。这意味着PredicTCR在保持较低误报率的同时，极大地提高了对真正具有肿瘤反应性的TCR的检出能力。
PredicTCR的另一大亮点在于其高效性。该方法能在短短几天内完成肿瘤反应性TCR的预测工作，从而迅速筛选出具有潜在治疗价值的TCR克隆型。这使得研究人员能够更快地锁定最优的TCR候选者，进而加速个性化T细胞治疗方案的开发进程，为肿瘤患者带来更加精准、有效的治疗选择，有望推动肿瘤免疫治疗领域迈向新的高度。
1、深度筛选从TILs中识别肿瘤反应性TCR
在本研究中，为深度筛选并识别肿瘤浸润性淋巴细胞（TILs）中的肿瘤反应性T细胞受体（TCR），研究团队首先确定了一个肿瘤样本，并对该样本中的TILs进行测序。同时，团队成功建立了一个能够较好地再现原发肿瘤特征的肿瘤细胞系，这为后续高可信度的TCR肿瘤反应性测试提供了基础，并基于此生成了分类器测试数据集。
研究进一步假设，来源于具有一定程度免疫特权的大脑的转移瘤，可能改善浸润性肿瘤反应性T细胞之间的表型分离。基于这一假设，研究团队从一名62岁男性患者的转移性脑黑色素瘤中建立了一个名为BT21的肿瘤细胞系。对该患者BT21来源的T细胞（以下简称TILs）进行测序后，无监督聚类分析显示，存在多个不同的簇，这些簇表达了已知的T细胞活化标记物，包括CXCL13、GZMK和GNLY。
此外，对TILs进行的单细胞VDJ测序（scVDJ-seq）显示存在扩增的TCR克隆型，其中一个克隆型占比超过所有克隆的5%，这一现象被认为是由于肿瘤反应性T细胞局部扩增所致。研究中还从TIL群体中克隆了最常见的α/ßTCR链对，并将其转染到健康供体的外周血单个核细胞（PBMCs）中扩展。通过流式细胞术介导的T细胞活化读数（CD107a+）对这些TCR进行筛选，以评估其对BT21细胞系的反应性，并校正了每个TCR背景中的紧张性信号。结果显示，50个TCR中有34个展现出肿瘤反应性。进一步分析发现，与非反应性克隆型相比，肿瘤反应性TCR克隆型在TIL群体中的数量明显更多，且表达肿瘤反应性TCR的单个细胞可以处于不同的状态。
2、PredicTCR50在脑转移中的预测性能
基于为BT21建立的TCR反应性数据集，本研究构建了一个机器学习分类器。该分类器能够依据scRNA + VDJ-seq数据，对TIL衍生的TCR的肿瘤反应性进行准确且稳健的预测。研究中，首先利用该模型计算出每个T细胞的肿瘤反应性概率，随后借助scVDJ-seq数据进一步计算出每个TCR克隆型的平均得分。最后，通过Fisher-Jenkbreak优化方法确定TCR克隆型成为肿瘤反应性所需的最小反应性评分。Fisher-Jenkbreak是一种能够设定样本特异性阈值的统计分析方法，基于此方法得到的分类器被命名为“PredicTCR50”。
本研究运用 PredicTCR50 对所有从 BT21 转移中恢复的 TILs 进行肿瘤反应性预测，结果显示反应性评分将 TCR 克隆型划分为反应性和非反应性 TCR 对应的双峰分布（图 3a）。通过克隆和实验验证另外 29 个 α/ßTCR 链对（图 3b），发现 PredicTCR50 准确预测了 22 个 TCR 中的 20 个的肿瘤反应性（图 3c）。
3、PredicTCR50假阳性率
本研究通过分析 COVID - 19 患者 PBMCs 的 scRNA 数据，对本文所构建分类器的假阳性率进行了评估。严重的 COVID - 19 疾病与增殖及效应记忆 Tem 群体的富集相关，而先前研究已表明，病毒反应性 T 细胞具有与肿瘤反应性 T 细胞相似却又 distinct 的转录特征。经分析，PredicTCR50 并未将 COVID - 19 患者中的任何 T 细胞归类为肿瘤反应性 T 细胞，这一结果凸显了 PredicTCR50 对肿瘤反应性 T 细胞具备高度特异性，其假阳性率处于较低水平。
4、PredicTCR的性能适用于不同的肿瘤类型
在确认本文测试方法所生成的分类器不存在高假阳性率问题后，研究团队进一步利用 72 个 BT21 衍生的 TCR（涵盖 1679 个细胞）以及健康供体数据（涉及 111499 个细胞）进行了追加测试，由此构建了 PredicTCR 的最终版本。鉴于验证数据存在不平衡性，本研究主要采用敏感性（真阳性率）与特异性（真阴性率）的几何平均值（G - mean）作为衡量基准模型性能的指标。
研究团队首先将 PredicTCR 应用于 9 个 PDAC 肿瘤，这些肿瘤具备细胞系、TIL scRNA + VDJ 数据以及针对 118 个克隆型的 TCR 反应性检测结果。尽管此前未对 PDAC 数据进行测试，但研究发现 PredicTCR 能够精准预测实验确定的肿瘤反应性（图 3d 所示），详细数据见表 2。这一结果表明，PredicTCR 可以识别出不受肿瘤类型影响的肿瘤介导 T 细胞激活的核心转录特征。
综上所述，本文提出了 PredicTCR —— 首个能够自动分类肿瘤 TCR 反应性的工具，它通过整合机器学习模型与确定性阈值，可高度准确地识别不同癌症类型 TILs 中具肿瘤反应性的 TCR 克隆型。研究结果表明，通过严谨的样本选择、构建大型高置信度的 TCR 反应性数据集以及涵盖广泛的测试数据，能够开发出准确的分类器。与以往借助差异基因表达来揭示特定肿瘤类型基因特征的方法不同，PredicTCR 可快速且无需考虑抗原因素地识别不同肿瘤类型中的肿瘤反应性 TCR，为打造个性化的 TCR 转基因 T 细胞癌症治疗方案迈出了关键一步。
| 名称 | 货号 | 规格 |
| rhGDNF (10 ug) | 212-GD-010 | 10ug |
| rhGDNF (1 MG) | 212-GD-01M | 1MG |
| X-Vivo 15, 1 L | BE02-060Q | 1L |
| Melan-A (A103) | sc-20032 | 200μg/ml |
危险品化学品经营许可证(不带存储) 许可证编号：沪(杨)应急管危经许[2022]202944(QY) 
营业执照(三证合一)