“许多研究来自小群体，他们发现了一些罕见的事件，这些事件在随后的群体中（后续队列中）没有得到证实，我们还没有理解如何整合这些不同的研究结果。未来，我们需要更好地理解促进免疫反应的相关生物标志物，以及如何将多种不同反应的基因组标志物关联整合到一起，来更好的预测免疫检查点抑制剂的反应。”Vokes说道。
Natalie Vokes, MD, MPhil
Vokes博士是美国马萨诸塞州波士顿的达纳—法伯癌症研究所（Dana-Farber）肿瘤学研究员，她在2019年2月28日-3月2日美国旧金山召开的 2019美国临床肿瘤学会-癌症免疫治疗学会（ASCO-SITC）的研讨会演讲中指出：“TMB是最早发现与免疫检查点抑制剂反应相关的生物标志物之一”[1] 。TMB目前都是经由NGS大panel进行检测和计算，且在有免疫应答的肿瘤患者中 TMB 值会更高，这一相关性已在多个临床试验和多个癌种中得到了证实。
使用TMB有几个挑战，“TMB的不同阈值会使免疫应答患者与无免疫应答患者之间存在大量重叠，这就提出了如何最好地使用TMB来区分这两组人的问题。”Vokes说，“此外，关于这一主题的研究越来越多，产生了相当多的异质性。不同的测序平台和算法模型产生了不同的TMB值，目前还不清楚这些不同测试中的TMB值和与之相关的阈值实际上是如何关联的。”
TMB量化与TMB响应阈值的关系
研究背景
为了更好地理解TMB量化方法与TMB响应阈值之间的关系，Vokes团队汇集了4个真实世界的队列，这些队列由经由美国达纳—法伯癌症研究所（Dana-Farber），纪念斯隆凯特林癌症中心（MSK），Foundation Medicine F1 panel 进行基因测序及来源于TCGA数据库中WES数据的非小细胞肺癌患者组成。
同时，还鉴定了两个亚组的患者，其基因组数据经由 Dana-Farber OncoPanel 或 MSK-IMPACT 平台进行测序，并获得了可用的数据结果。
测试中TMB值的分布在线性绘制时有所不同。然而，对分布进行归一化转换并将其标准化为TMB z值分数，可以使TMB分布与不同测试之间的拟合更接近。
研究结果
在Dana-Farber组（n = 272）和 MSK组（n = 227）中，完全或部分缓解的患者和长期临床获益患者的TMB值均高于无缓解的患者。将2组患者的TMB值标准化为 z 值，保留了TMB与免疫检查点抑制反应之间的关系。
使用2个临床独立队列中的联合队列（n = 499）根据TMB阈值分析反应，发现TMB值最高的持久临床获益率最高，TMB值最低的持久临床获益率最低。然而，在TMB十分位数中，发现了响应的可变性，Vokes说：“这表明我们对这些TMB阈值所做的部分工作是为最高的TMB响应者提供丰富的信息。”
为了更正式地量化TMB在区分应答者和非应答者方面的效果，Vokes团队进行了受试者工作特征曲线分析（ROC分析），发现：最佳TMB阈值的灵敏度和特异性仅为60%左右。Vokes说：“应用这一阈值将导致30%的患者接受治疗而没有反应，12%本来会有反应的患者没有得到治疗。”使用其他TMB z评分分界点再次证明了治疗过度与治疗不足之间的权衡。
结果表明，TMB与免疫检查点治疗结果之间的关系是复杂的，TMB可能与其他因素相关。
TMB 基因组关联性研究
TMB与基因组关联研究
除了TMB，肿瘤微环境也可能导致免疫相关反应的识别。Vokes说，肿瘤浸润程度高、细胞因子和酶在肿瘤免疫周期中表达高的“热肿瘤”或T细胞炎症性肿瘤，这些肿瘤似乎更容易接受检查点抑制剂治疗。与免疫响应相关的特征还包括DNA修复酶的突变（dMMR）以及干扰素-γ信号传导或PD-L1的表达特征，所有这些都可能与T细胞炎症的环境相关。
Vokes补充说:“相反，逃避免疫检测或设法阻止T细胞浸润到肿瘤微环境的“冷肿瘤”或T细胞非炎症性肿瘤，这些肿瘤可能不太适合接受检查点抑制剂治疗”。通过增殖蛋白激酶活化致癌信号，Wnt/β-catenin信号通路突变，STK11 / LKB1通路突变，以及磷酸酶和紧张素同源物（PTEN）的缺失，可能通过导致T细胞排斥而促进免疫检查点治疗耐药性。
“虽然这是一种很有吸引力的方式来理解这些不断增长的数据，但是我们仍然有很多不了解的地方。”Vokes说，“许多研究来自小群体，他们发现了一些罕见的事件，这些事件在随后的群体中（后续队列中）没有得到证实，我们还没有理解如何整合这些不同的研究结果。未来，我们需要更好地理解促进免疫反应的相关生物标志物，以及如何将多种不同反应的基因组标志物关联整合到一起，来更好的预测免疫检查点抑制剂的反应。”
Vokes的团队正在汇总整理数据库，试图建立更大的免疫疗法治疗队列，以提高验证先前发现的结果，并确定所涉及的新途径。 在汇总不同癌症类型的249个全外显子组测序肿瘤时，他们能够概括PTEN缺失与免疫治疗耐药性之间的关联，并确定细胞周期信号传导与反应之间的关联。[2] 即使在这个大型队列中，许多研究结果在统计上也缺乏说服力。 Vokes表示，一项功率模拟显示，对于那些难以区分反应者和无反应者的事件，样本量需要达到数百甚至可能达到数千。
炎症性肿瘤微环境的其他标志物，如T细胞炎症性基因表达谱，也可能与TMB相互作用，以帮助区分那些最有可能和最不可能作出反应的患者。
Vokes说，纳入临床变量（如吸烟状况、PD-L1和组织学）并结合多种转录组和基因组特征的多变量模型也正在评估，以提高免疫检查点抑制剂反应的预测。[3]
参考资料：
1.Vokes N. Genomic correlates of response to immune checkpoint blockade. Presented at: 2019 American Society of Clinical Oncology– Society for Immunotherapy of Cancer Clinical Immuno-Oncology Symposium; February 28-March 2, 2019; San Francisco, CA. meetinglibrary.asco.org/record/169276/slide.
2.Miao D, Margolis CA, Vokes NI, et al. Genomic correlates of response to immune checkpoint blockade in microsatellite- stable solid tumors. Nat Genet. 2018;50(9):1271-1281. doi: 10.1038/s41588-018-0200-2.
3.Hellmann MD, Nathanson T, Rizvi H, et al. Genomic features of response to combination immunotherapy in patients with advanced non-small-cell lung cancer. Cancer Cell. 2018;33(5):843-852.e4. doi: 10.1016/j.ccell.2018.03.018.
4. https://www.onclive.com/publications/Oncology-live/2019/vol-20-no-7/tumor-mutational-burden-poses-challenges-as-immunotherapy-biomarker?p=2