Étude clinique sur l'utilisation du TCR pour prédire l'effet du Tislelizumab + Chimiothérapie dans le traitement de première intention du CPNPC-ES (ES-SCLC)

Les progrès de la technologie de séquençage de nouvelle génération (NGS) ont facilité la détection des répertoires immunitaires des lymphocytes T dans divers types de tumeurs solides, et un nombre croissant de recherches indique que les répertoires immunitaires des lymphocytes T présentent un potentiel en tant que biomarqueurs pour l'immunothérapie ; dans le domaine du cancer du poumon non à petites cellules (CPNPC), des études antérieures ont suggéré que les caractéristiques du répertoire de base des récepteurs des lymphocytes T (TCR) et les changements dans le répertoire TCR avant et après l'immunothérapie sont associés à l'efficacité immunothérapeutique, tandis qu'une telle exploration fait encore défaut dans le domaine du cancer du poumon à petites cellules (CPPC). En raison des limitations en termes de coût et de méthodes expérimentales, les bases de données TCR actuellement disponibles contiennent des informations limitées, englobant seulement une petite fraction des paires de liaison antigène-TCR, et de plus, ces données de paires de liaison ne couvrent pas tous les antigènes auxquels un TCR donné pourrait potentiellement se lier ; pour résoudre ce problème, la communauté scientifique a exploré l'utilisation de modèles d'apprentissage automatique pour prédire la spécificité antigénique des TCR inconnus et non validés expérimentalement, ce qui a montré une faisabilité. Cette étude, en tant qu'étude clinique observationnelle prospective conçue pour prédire l'efficacité thérapeutique du traitement de première intention par tislelizumab associé à une chimiothérapie standard chez les patients atteints d'un cancer du poumon à petites cellules de stade étendu (CPPC-ES), prévoit d'inclure 40 patients naïfs de traitement atteints de CPPC-ES, et vise à prédire le répertoire TCR spécifique des néoantigènes en analysant les néoantigènes tumoraux, en intégrant les données du répertoire des lymphocytes T et les informations de détection du HLA de classe I, et en exploitant le modèle d'apprentissage automatique Multimodal-AIR-BERT, avec l'hypothèse que les paramètres de ce répertoire TCR prédit pourraient présenter une corrélation plus forte avec l'efficacité immunothérapeutique.