一项结合基于智能体的模型与常微分方程模型揭示肿瘤微环境空间复杂性对免疫检查点抑制剂疗效关键影响的研究
本研究由美国密歇根大学数学系的 Yixuan Wang, Daniel R. Bergman 和 Trachette L. Jackson，以及芝加哥大学医学部血液学/肿瘤科的 Erica Trujillo, Anthony A. Fernald, Lie Li, Alexander T. Pearson, Randy F. Sweis 共同合作完成。该研究以论文《Agent-Based Modeling of Virtual Tumors Reveals the Critical Influence of Microenvironmental Complexity on Immunotherapy Efficacy》的形式，发表于学术期刊 Cancers 2024年第16卷，并于2024年8月23日正式发布。
研究的学术背景 本研究属于计算生物学、数学肿瘤学和免疫肿瘤学的交叉领域。免疫检查点抑制剂（Immune Checkpoint Inhibitors， ICIs）的出现革新了癌症治疗格局，但临床实践中，患者对ICIs的反应率差异巨大，许多患者无法从中获益。为了优化临床疗效，预测患者反应，数学和计算模型已成为不可或缺的研究工具。其中，常微分方程（Ordinary Differential Equation， ODE）模型因能快速模拟细胞群体随时间的变化而被广泛使用。然而，ODE模型本质上是“混合良好”的均质模型，无法描述肿瘤微环境（Tumor Microenvironment， TME）中至关重要的空间结构和异质性，例如细胞的空间分布、移动和局部相互作用。相比之下，基于智能体的模型（Agent-Based Model， ABM）将每个细胞（如肿瘤细胞、免疫细胞）视为在空间中遵循一定规则自主行动的“智能体”，能够更精细地刻画表型和空间的异质性，从而更好地反映体内真实的复杂性。
研究的背景知识还包括：细胞毒性T淋巴细胞（Cytotoxic T Lymphocytes， CTLs）通过至少两种主要机制杀伤肿瘤细胞，即穿孔素/颗粒酶介导的“快速杀伤”和Fas/FasL介导的“慢速杀伤”。不同抗原性（高抗原HA vs. 低抗原LA）的肿瘤细胞可能对不同的杀伤机制敏感性不同。此外，免疫编辑理论描述了肿瘤与免疫系统相互作用的三个阶段：清除、平衡和逃逸。
本研究的核心目标，是在抗PD-1/PD-L1免疫检查点抑制剂的背景下，首次对同一生物学过程（肿瘤-免疫相互作用及ICI治疗）的ODE模型和ABM模型进行并排比较。通过校准小鼠膀胱癌实验数据构建虚拟肿瘤和虚拟队列，旨在揭示影响ICI疗效的关键肿瘤-免疫特征，并特别探讨ABM因其空间建模能力所能提供的、ODE模型无法获得的独特见解，从而强调在癌症免疫治疗的数学模型中考虑TME空间复杂性的重要性。
详细的研究工作流程 本研究的工作流程是一个典型的“实验数据校准-模型构建-模拟分析”的计算生物学研究范式，主要包含以下几个关键步骤：
第一，模型构建与校准数据的获取。 研究团队构建了两个数学模型：一个ODE模型（基于先前工作改进）和一个三维、晶格上的ABM。两个模型都包含三种关键实体：高抗原（HA）肿瘤细胞、低抗原（LA）肿瘤细胞和细胞毒性T淋巴细胞（CTLs），并模拟了PD-1/PD-L1检查点的激活与阻断效应。其中，ABM的独特之处在于，肿瘤细胞固定不动，而CTLs能够根据局部免疫刺激因子（Immune Stimulatory Factor， ISF）的浓度梯度进行移动，并需要与肿瘤细胞在空间上“接触”（共轭）后才能启动杀伤。杀伤机制根据肿瘤细胞抗原性偏好性地分配（HA倾向快速杀伤，LA倾向慢速杀伤）。模型校准依赖于体内实验数据。研究使用了免疫缺陷型Rag1 KO小鼠和免疫健全型C57BL/6J小鼠，皮下注射了具有不同模型抗原（SIY）表达水平的MB49膀胱癌细胞系。测量了肿瘤体积随时间的变化，并通过流式细胞术在实验终点分析了肿瘤内CTLs的数量和密度。这些数据为将模型参数与现实生物学尺度联系起来提供了基础。
第二，模型参数校准与虚拟队列构建。 这是连接实验与模拟的关键环节。首先，利用Rag1 KO小鼠（无免疫系统）的肿瘤生长数据，校准了肿瘤细胞的基本增殖率（αn）和承载能力（ODE）或接触抑制参数（ABM），确保模型在无免疫状态下能准确重现肿瘤生长曲线。接着，固定这些参数，利用C57BL/6J小鼠（有活跃的PD-1/PD-L1检查点）的肿瘤生长和CTL密度数据，校准了关键的免疫相关参数范围，特别是CTL招募率（μ）。研究采用拉丁超立方抽样方法，在十个关键的肿瘤-免疫特征参数（包括μ、最大ISF刺激的CTL增殖率αnt、CTL移动速率m、CTL与肿瘤细胞共轭率β、初始HA比例等）的合理范围内生成了12,000个参数组合，从而构建了一个具有多样化肿瘤-免疫特征的“虚拟队列”。这个队列在模拟治疗前（检查点活跃）的肿瘤生长模式与实验小鼠数据吻合良好，为后续评估治疗反应提供了可靠的基线。
第三，治疗模拟与结果分析。 对虚拟队列中的每一个“虚拟肿瘤”，分别在ODE和ABM框架下模拟了完全阻断PD-1/PD-L1检查点（即ICI治疗）后的动态过程。模拟追踪了肿瘤细胞总数（体积）、CTLs数量、肿瘤组成（HA/LA比例）等指标随时间的变化，直至达到长期稳态（清除、休眠或逃逸）。分析工作是多层次和对比性的：1) 群体层面：比较虚拟队列整体治疗后的肿瘤体积分布和趋势，观察ODE与ABM预测的异同。2) 参数关联分析：通过统计分析，识别哪些模型参数（如μ, αnt, m, β）与特定的治疗结局（清除、逃逸）显著相关。3) 空间特征挖掘（ABM特有）：针对ABM，深入分析空间特征，如CTLs到肿瘤中心的平均距离、肿瘤凸包体积、CTLs相对于单个肿瘤细胞的分布等，以解释在总CTLs数量相似的情况下为何治疗结局不同。4) 案例对照分析：从ABM模拟结果中筛选出初始条件、关键免疫参数及早期CTL时程轨迹相似，但最终结局（清除 vs. 逃逸）截然不同的虚拟肿瘤子集，详细对比它们的空间动力学差异，以揭示空间因素的决定性作用。
研究的主要结果 结果一：虚拟队列中ICI疗效的广泛异质性与模型间差异。 模拟显示，在治疗前生长模式相似的虚拟队列中，抗PD-1治疗后出现了从完全清除到快速逃逸的广泛疗效谱。这反映了临床患者反应不一的现实。对比ODE和ABM的预测，发现一个显著差异：在治疗第19天，ODE模型预测的肿瘤体积呈连续分布（0到2000 mm³），而ABM预测的肿瘤体积呈现明显的双峰分布——要么接近0 mm³（清除），要么大于1000 mm³（逃逸），中间状态的肿瘤极少。这表明在考虑空间相互作用的ABM中，肿瘤系统倾向于更快地达到明确的稳态结局（清除或逃逸），稳态之间的“休眠”状态更不稳定或难以维持。
结果二：初始肿瘤表型组成决定治疗结局与免疫选择压力。 通过分析具有相同免疫参数但初始HA/LA比例不同的“虚拟克隆”，研究发现初始肿瘤中LA细胞比例越高，治疗后肿瘤被清除的可能性越低，最终逃逸的肿瘤体积越大。更重要的是，无论治疗结局是清除还是缩小，最终残存或再生的肿瘤中，LA细胞的比例总是高于初始肿瘤。这直观地展示了免疫治疗施加的选择压力：CTLs更高效地清除高抗原性的HA细胞，从而筛选出更具生存优势的低抗原性LA细胞克隆，可能导致肿瘤“变冷”，影响后续治疗的敏感性。在ODE中，这种选择最终导致肿瘤100%由LA细胞构成；而在ABM中，最终LA比例有一定分布范围，反映了空间随机性的影响。
结果三：关键免疫参数与治疗结局的相关性。 ODE和ABM的分析一致确认，CTL招募率（μ）和最大抗原刺激的CTL增殖率（αnt）是预测治疗成功（肿瘤清除）的最关键参数。高μ值和高αnt值组合，最有可能实现肿瘤清除。这一发现在ABM的虚拟队列分析中得到了强化，清除病例与逃逸病例的μ值分布区分更为明显。这为联合治疗策略（如ICI联合过继性T细胞疗法以增加μ，或联合IL-2等细胞因子疗法以提高αnt）提供了理论依据。
结果四：ABM揭示空间参数的关键影响。 这是本研究最核心的发现之一。在ODE模型中无法考察的空间参数，在ABM中被证明对治疗结局具有决定性影响。分析显示： - CTL移动速率（m）：最终逃逸的肿瘤，其CTL的移动速率中位数显著低于被清除的肿瘤。低移动性阻碍了CTLs快速定位并浸润到肿瘤核心区域。 - CTL-肿瘤细胞共轭率（β）：处于“休眠”状态的肿瘤往往具有较低的共轭率。低共轭率减少了杀伤事件的发生，延长了达到平衡的时间。 - LA-ISF因子（rISF）：该因子表示LA细胞分泌的ISF相对于HA细胞的比例。低rISF使得CTLs更难被LA细胞吸引，效应类似于低共轭率，也易导致肿瘤持续存在。
结果五：空间动力学解释看似矛盾的结局。 研究从ABM模拟中精心筛选出603个“虚拟肿瘤”，它们在治疗初期拥有几乎相同的CTL总数时程轨迹和关键免疫参数（μ， αnt），但最终约42%被清除，58%逃逸。ODE模型无法解释这种分歧。然而，ABM的空间分析提供了清晰答案：在最终被清除的组别中，CTLs在早期（头几天）就更靠近肿瘤中心，肿瘤的空间结构更紧凑（凸包体积更小），导致肿瘤内局部CTL密度更高，单位时间内被清除的肿瘤细胞数量显著更多。尽管两组总CTL数相近，但清除组的CTLs空间分布更优、杀伤效率更高。进一步分析发现，这些清除组的CTLs具有更高的移动速率（m）和共轭率（β）。这完美阐释了空间组织如何放大或削弱免疫攻击的效果：即使免疫细胞总量充足，如果它们无法有效移动并接触到肿瘤细胞，治疗仍将失败。
研究的结论与意义 本研究通过并排比较ODE与ABM模型，雄辩地证明了在癌症免疫治疗的计算模型中整合空间复杂性的至关重要性。主要结论如下： 1. 空间因素是决定ICI疗效的关键变量：肿瘤微环境的空间组织（如免疫细胞浸润深度、分布、运动能力和接触效率）而不仅仅是细胞群体的总量，是影响治疗结局的核心。这解释了为何具有相似免疫细胞数量和治疗前特征的患者可能产生截然不同的反应。 2. ABM能够揭示ODE无法捕捉的机制见解：ABM通过模拟个体细胞的时空行为，可以识别出影响疗效的关键空间参数（如CTL移动速率m、共轭率β），并解释在群体水平参数相似情况下的结局差异。这些发现为开发旨在改善T细胞肿瘤浸润和接触的新型疗法（如双特异性抗体、趋化因子调节剂）提供了明确的计算生物学依据。 3. 抗原异质性与选择压力：模型证实了考虑肿瘤抗原异质性和多重CTL杀伤机制的重要性。ICI治疗可能选择出低抗原性克隆，导致肿瘤进化与免疫逃逸，这对治疗序列设计和耐药性管理具有警示意义。 4. 为联合治疗策略提供计算指导：模型分析指出，同时提升CTL招募（μ）和功能（αnt）是协同增效的有效策略，这支持了ICI联合过继细胞治疗和细胞因子疗法的临床探索方向。
该研究的科学价值在于，它提供了一个强大的、经过实验校准的计算框架，可以用于虚拟筛选影响免疫治疗响应的生物标志物（特别是空间特征），预测联合治疗方案的潜在效果，并生成可被后续临床数据验证的假设。尽管模型基于膀胱癌数据构建，但其方法论具有普适性，可扩展至其他癌症类型和免疫疗法。
研究的亮点 1. 首例直接对比：这是首次在抗PD-1/PD-L1 ICI背景下，对ODE和ABM两种主流建模方法进行系统性、并排的比较研究，突出了各自的优势和局限性。 2. 实验与深度计算紧密结合：模型参数严格校准自小鼠体内实验数据，确保了虚拟肿瘤的生物学合理性，使模拟预测更具说服力。 3. 揭示了空间动力学的决定性角色：研究不仅证明了空间因素重要，更通过精细的案例对照分析，具体阐明了空间特征（如CTL分布、移动性）如何导致治疗成败的分野，将抽象的空间复杂性转化为可量化的参数和机制。 4. 多层次、多角度的分析框架：研究从虚拟队列的整体统计，到虚拟克隆的机制探索，再到特定案例的空间解析，构建了一个立体而全面的分析体系，有力支撑了其结论。 5. 对临床转化具有明确启示：研究结果直接指向了改善T细胞运动性和肿瘤浸润这一当前免疫治疗的热点研发方向，并强调了治疗前评估肿瘤空间免疫微环境的重要性。
其他有价值的内容 研究在讨论部分客观比较了ODE与ABM的优缺点：ODE计算高效、易于参数分析和全局敏感性分析，但缺失空间信息；ABM能刻画异质性和涌现行为，更贴近生物学离散本质，但计算成本高昂、参数化复杂、全局分析困难。作者展望了未来将ABM与机器学习结合，以克服计算瓶颈，实现更大规模模拟和预测的可能性。这一思考为计算肿瘤学领域的方法学发展提供了方向。