Klinische Studie zur Verwendung von TCR zur Vorhersage der Wirkung von Tislelizumab + Chemotherapie in der Erstlinientherapie von ES-SCLC (ES-SCLC)

Der Fortschritt der Next-Generation-Sequencing-Technologie (NGS) hat die Detektion von T-Zell-Immunrepertoires in verschiedenen soliden Tumortypen erleichtert, und eine wachsende Zahl von Forschungsarbeiten deutet darauf hin, dass T-Zell-Immunrepertoires das Potenzial als Biomarker für die Immuntherapie haben; im Bereich des nicht-kleinzelligen Lungenkarzinoms (NSCLC) haben frühere Studien nahegelegt, dass die Eigenschaften des basalen T-Zell-Rezeptor-Repertoires (TCR) und Veränderungen im TCR-Repertoire vor und nach der Immuntherapie mit der immuntherapeutischen Wirksamkeit assoziiert sind, während solche Untersuchungen im Bereich des kleinzelligen Lungenkarzinoms (SCLC) noch fehlen. Aufgrund von Einschränkungen bei den Kosten und experimentellen Methoden enthalten die derzeit verfügbaren TCR-Datenbanken nur begrenzte Informationen, die nur einen kleinen Teil der Antigen-TCR-Bindungspaare umfassen, und darüber hinaus decken diese Bindungsdaten nicht alle Antigene ab, an die ein bestimmter TCR potenziell binden könnte; um dieses Problem zu lösen, hat die Forschungsgemeinschaft den Einsatz von maschinellen Lernmodellen zur Vorhersage der Antigenspezifität unbekannter und experimentell nicht validierter TCRs untersucht, was sich als machbar erwiesen hat. Diese Studie, als prospektive, beobachtende klinische Studie konzipiert, die darauf abzielt, die therapeutische Wirksamkeit einer Erstlinienbehandlung mit Tislelizumab in Kombination mit Standardchemotherapie bei Patienten mit extensiv-stadialem kleinzelligen Lungenkarzinom (ES-SCLC) unter Verwendung der TCR-Repertoire-Technologie vorherzusagen, plant, 40 unbehandelte Patienten mit ES-SCLC einzuschließen, und zielt darauf ab, das Neo-Antigen-spezifische TCR-Repertoire durch Analyse von Tumor-Neo-Antigenen, Integration von T-Zell-Repertoire-Daten und HLA-Klasse-I-Detektionsinformationen sowie Nutzung des Multimodal-AIR-BERT-Maschinelles-Lernen-Modells vorherzusagen, mit der Hypothese, dass die Parameter dieses vorhergesagten TCR-Repertoires eine stärkere Korrelation mit der immuntherapeutischen Wirksamkeit aufweisen könnten.