类器官和人工智能：解开癌症免疫逃逸和免疫疗法的奥秘

类器官是三维多细胞微组织，与传统的二维细胞培养相比，能够更好地模拟体内细胞反应和相互作用。PDOs 是从患者肿瘤样本中开发的三维细胞培养模型。与传统的二维细胞培养不同，类器官保留了原始肿瘤的遗传和表型特征，如分子和组织学特征，使其成为研究癌症生物学的有力工具。

这些模型可以与免疫细胞共培养，以重现肿瘤微环境（TME），使研究人员能够在受控环境中观察癌细胞与免疫细胞的相互作用。PDO 技术的商业领导者开创了这些类器官的大规模制造，使得在患者特定的肿瘤模型上测试数千种化合物成为可能，加速了有效免疫疗法的发现。

尽管 PDOs 拥有巨大的潜力，但其开发面临诸多挑战。传统的 PDOs 制备方法劳动强度大，需要专业知识，且存在高度变异性。此外，类器官培养的可重复性一直是人们关注的问题，限制了它们在大规模研究和药物发现中的应用。

为了克服这些挑战，商业化的即用型 PDO 系列和定制化类器官解决方案应运而生。这些标准化的类器官采用先进的生物加工技术进行培养，确保了批次间的一致性，消除了繁琐的培养准备需求。通过提供预先验证的类器官模型，研究人员可以专注于开展实验，而不是类器官培养的复杂性。此外，定制化解决方案使科学家能够开发出能够密切模拟个体肿瘤反应的患者特定模型，为个性化肿瘤学研究和药物筛选铺平了道路。

癌细胞采用多种机制逃避免疫监视，包括免疫检查点激活，肿瘤表达像 PD-L1 这样的蛋白来抑制 T 细胞激活；免疫抑制性 TME，癌相关成纤维细胞和髓系来源抑制细胞为免疫细胞创造敌对环境；代谢屏障，肿瘤中高水平的乳酸生成抑制 T 细胞功能。

AI 驱动的分析在破译这些免疫逃逸策略中发挥着关键作用。研究人员利用机器学习算法分析肿瘤 - 免疫类器官共培养产生的大量数据集。AI 模型能够识别免疫逃逸模式，例如 T 细胞激活标志物的变化和细胞因子分泌谱。在一项研究中，AI 驱动的对肺癌类器官的分析揭示了肿瘤抑制 T 细胞激活的途径，为靶向干预奠定了基础^[2]。

为了对抗免疫逃逸，科学家们利用 PDOs 来测试和改进免疫疗法，包括检查点抑制剂和嵌合抗原受体（CAR）T 细胞疗法。通过将患者特定的类器官与治疗性免疫细胞共培养，研究人员可以实时评估免疫疗法的有效性。

近期的研究突出了 CAR T 细胞疗法如何改变癌症类器官的形态。基于 AI 的图像分析工具可以追踪类器官形状、大小和活性随时间的变化，为治疗效果提供定量评估。这些模型使研究人员能够通过评估不同的抗原靶点和工程策略来优化 CAR T 细胞的设计。

此外，高内涵成像与 AI 结合可以预测哪些患者最有可能对免疫疗法产生反应。例如，经过 PDO 图像训练的卷积神经网络（CNNs）可以根据其对免疫攻击的反应性对肿瘤进行分类。这种方法可能会带来针对个体独特肿瘤免疫环境量身定制的个性化癌症治疗方案。

先进技术的融合正在推动癌症研究向前发展：

类器官与 AI 的结合正在改变癌症免疫疗法的研究。随着这些技术的不断发展，它们有望实现真正的个性化癌症治疗。通过预测患者对免疫疗法的反应并揭示新的治疗靶点，基于类器官的 AI 模型正在加速从实验室发现到临床应用的转变。

在未来几年中，将多组学数据（包括基因组学、转录组学和蛋白质组学）与 AI 驱动的类器官研究相结合，可能会带来更精确、更有效的癌症治疗方法。在临床应用之前在患者特定的环境中测试免疫疗法，可能会极大地改善结果并减少治疗失败。