Tumorimpfstoffe für solide Tumoren

Gliome sind der häufigste primäre bösartige intrakranielle Tumor, der durch begrenzte klinische Behandlungsmöglichkeiten und eine extrem schlechte Prognose gekennzeichnet ist. Es besteht ein dringender Bedarf an der Entwicklung neuer Technologien und der klinischen Praxis. Mit der Weiterentwicklung der Immuntherapie sind tumortherapeutische Impfstoffe zu einem heißen Thema im Bereich der Immuntherapie solider Tumoren geworden. Mehrere klinische Studien haben bestätigt, dass Tumorimpfstoffe die Prognose von Gliompatienten verbessern können. Impfstoffe sind die erste systemische Behandlungstechnologie seit fast 30 Jahren, die in klinischen Phase-III-Studien gleichzeitig das Gesamtüberleben von Patienten mit neu diagnostiziertem Glioblastom und rezidivierendem Glioblastom verlängern kann. Dieser neuartige Ansatz hat einen erheblichen klinischen Wert und gibt einer großen Zahl von Patienten Hoffnung. Unser Team hat zuvor einen Impfstoff gegen dendritische Zellen (DC) gegen Gliome entwickelt, und die klinische Phase-II-Studie hat gezeigt, dass er die Prognose von Gliompatienten verlängern kann. Allerdings profitieren einige Patienten weniger von der Impftherapie. Daher ist die Identifizierung molekularer Mechanismen, die dazu führen, dass Patienten nicht mehr auf eine Impfstoffbehandlung ansprechen, für die Verbesserung der Impfstoffwirksamkeit von entscheidender Bedeutung. Dieses Projekt zielt darauf ab, verschiedene Arten klinischer Proben von Patienten zu sammeln, darunter Gliompatienten, die eine Tumorimpfstoffbehandlung erhalten, Gliompatienten, die eine konventionelle klinische Behandlung ohne Tumorimpfstoff erhalten, und Nichttumorpatienten (hämorrhagischer Schlaganfall, ischämischer Schlaganfall und traumatische Hirnverletzung). Mithilfe von Hochdurchsatz-Sequenzierungstechniken wird eine Immun-Mikroumgebungsdatenbank erstellt, gefolgt von bioinformatischen Analysen und molekularbiologischen Experimenten, um die molekularen Mechanismen aufzudecken, die die Wirksamkeit des Impfstoffs beeinflussen. Künstliche Intelligenz und Deep-Learning-Technologien werden eingesetzt, um Informationen zu molekularen Mechanismen aus radiologischen und pathologischen Bildern zu extrahieren. Letztendlich zielt das Projekt darauf ab, ein integriertes Diagnose- und Behandlungsmodell zu etablieren, das Bildgebungs-, Pathologie- und Omics-Daten kombiniert, um die klinische Anwendung von Impfstoffen voranzutreiben.