肿瘤免疫治疗 ， 尤其是过继性T细胞疗法和免疫检查点阻断疗法 ， 已在部分患者中取得巨大成功 。 然而 ， 疗效的高度不可预测性一直是临床实践与基础研究中的未解之谜 ， 为何有些患者响应良好而另一些则完全无效 。 传统观点将这种差异归因于肿瘤遗传或表观遗传差异、抑制性微环境或T细胞耗竭等确定性因素 【 1，2 】 。 但是 ， 在高度可控的动物模型中观察到的巨大反应差异提示 ， 免疫反应本身可能具有内在的随机性 （Stochasticity） 【 3，4 】 。 这种随机性的源头是什么 ？ 它能否被识别并用于预测和改善肿瘤免疫治疗的疗效 ？

近日 ， 美国 国家癌症研究所 的 Gr égoire Altan-Bonnet 领导的研究团队在 Cell 杂志上发表 题为 Stochasticity in cancer immunotherapy stems from rare but functionally critical Spark T cells 的研究论文 。 该研究通过 数千次 高度可控的体外免疫实验 ， 结合创新的数学模型与机器学习分析流程 ， 首次揭示了一种极为罕见但功能关键的CD8 ⁺ T细胞亚群——Spark T细胞 ， 正是其随机激活驱动了肿瘤免疫治疗宏观反应的巨大变异性 。 研究进一步在人类T细胞及患者数据中验证了这类细胞的存在 ， 证明其丰度可预测免疫检查点抑制剂疗效 ， 并指出其作为克服免疫治疗耐药新靶点的巨大潜力 。

研究人员首先设计了一套巧妙的体外免疫测定系统 ， 在微孔中培养遗传背景完全相同的抗原特异性幼稚CD8 ⁺ T细胞与表达抗原的黑色素瘤细胞 ， 并通过大量技术重复来量化免疫反应的变异性 。 研究结果发现 ， 尽管这些技术重复的初始条件一致 ， 但T细胞介导的肿瘤杀伤 、 T细胞激活程度 、 干扰素-γ （IFN-γ） 分泌量等关键指标在重复实验间存在巨大差异 ， 变异系数 （CV） 极高 。 相比之下 ， 化疗药物或细胞因子直接杀伤肿瘤的效果则高度可重复 。 重要的是 ， 这一现象排除了肿瘤细胞遗传或表观遗传异质性的主导作用 ， 将变异的源头指向T细胞自身 。

进一步的定量分析显示 ， 被激活的T细胞数量变异遵循一个“平移”的泊松分布规律 。 这强烈暗示存在一个稀有的T细胞亚群 ， 其数量本身服从 泊松分布 ， 而它们的随机激活能够通过某种机制“引燃”周围大量旁观者T细胞 ， 从而决定整个免疫反应的命运 。 因此 ， 研究人员将此稀有亚群命名为 Spark T细胞 （T _spark ） 。

进一步的机制研究表明 ， IFN-γ则是关键的“引燃”介质 。 少数被激活的 Spark T细胞迅速产生大量IFN-γ ， 一方面上调肿瘤细胞表面的MHC-I类分子表达 ， 增强抗原呈递 ； 另一方面以旁分泌方式强烈激活旁观者T细胞 ， 形成正反馈循环 ， 最终放大免疫反应 。 阻断IFN-γ信号可大幅降低整体T细胞激活的变异性 ， 而预先用IFN-γ处理肿瘤细胞 （模拟MHC上调） 则能减少变异 。 研究人员为此建立了一个整合了 Spark T细胞偶然激活与细胞因子正反馈作用 （细胞因子对旁观者 T细胞的带动作用 ） 的随机数学模型 ， 完美复现了实验中观察到的“平移泊松”依赖关系 ， 进一步提示免疫治疗反应因人而异的根源 ， 很可能在于一种稀有的 Spark T细胞 ， 且其数量波动具有随机性 。

那么 ， 如何在浩如烟海的T细胞中找到这些稀有的 Spark T细胞 ？ 研究人员进一步开发了一套名为 StoICS （Stochasticity- based i dentification of cell s ubsets） 的机器学习分析流程 。 该流程将上述随机数学模型与高维单细胞数据相结合 ， 以精准定位稀有的 Spark T细胞 。 研究人员利用该流程 ， 首先在小鼠初始CD8 ⁺ T细胞中成功鉴定出 Spark T细胞的前体细胞 （T _proto-spark ） 。 这群细胞仅占初始T细胞的不到2% ， 其最显著的表面标志物特征是CD5 ^low CD11a ^high 。 单细胞ATAC-seq检测分析结果显示 ， 与其他幼稚T细胞相比 ， T _proto-spark 细胞在Ifng基因座具有更高的染色质开放性 ， 这解释了它们为何能更快速地启动IFN-γ的产生 。 功能实验进一步证实 ， 分选富集出的CD5 ^low CD11a ^high T细胞在激活后能快速产生大量的IFN-γ、 CCL5、TNF和IL-2 。

研究人员进一步探究了在人体临床前实验环境中 ， 肿瘤治疗反应是否也存在类似的随机现象 ， 即使用了经过体外扩增、且携带针对肿瘤细胞特异性 TCR的T细胞进行验证 。 研究人员使用工程化表达NY-ESO-1特异性TCR （ 1G4 ） 的人CD8 ⁺ T细胞母细胞与神经母细胞瘤细胞共培养 ， 同样观察到了高度的反应随机性 。 StoICS 流程再次成功地在人类T细胞中识别出一个稀有的细胞簇 ， 其表型为CCR7 ^low CD45RO ^high ， 属于效应记忆 T细胞亚群 。 分选富集实验证实 ， 正是这群细胞具备快速产生IFN-γ的能力 ， 是人类T细胞中的T _proto-spark 细胞 。

更为重要的是 ， 在8名健康供者来源的TCR-T细胞产品中 ， CCR7 ^low CD45RO ^high T细胞的比例存在巨大的个体差异 ， 且该比例与T细胞在非依赖TCR刺激下快速产生IFN-γ的能力 、 以及与肿瘤细胞共培养时的免疫激活强度显著正相关 。 这提示 ， 临床T细胞产品中T _proto-spark 前体细胞的丰度 ， 可能是决定过继细胞疗法效力的关键变量之一 。

此外 ， 研究人员进一步利用肿瘤免疫大数据引擎 （CIDE） 数据库中13个患者队列的活检转录组数据和临床信息进行分析 。 他们发现 ， 在肿瘤MHC-I表达水平较低 （即免疫逃逸风险较高） 的患者中 ， T _proto-spark 基因特征 （ENTPD1 ^high CD2 ^high ） 能够高精度地预测患者对抗CTLA-4疗法的客观缓解反应 ， 其预测能力优于现有标志物 。 尤为关键的是 ， 该 基因标签 在大多数未接受抗CTLA-4治疗 （仅接受抗PD-1/PD-L1） 的队列中预测能力不佳 ， 从而揭示了这两种疗法作用机制的差异 。 生存分析进一步表明 ， 在抗CTLA-4治疗队列中 ， T _proto-spark 基因 特征高的MHC-I低表达患者拥有更长的总生存期 。

综上所述 ， 本研究通过融合定量实验 、 理论建模与机器学习 ， 将肿瘤免疫治疗疗效的巨大不确定性 ， 溯源至一群稀有但功能强大的 Spark T细胞 的随机激活 。 这些细胞如同免疫系统的“火花塞” ， 其随机点火通过IFN-γ介导的正反馈环路 ， 决定了整个抗肿瘤免疫反应能否成功引爆 。 该发现不仅为理解免疫反应的内在随机性提供了全新研究范式 ， 更鉴定出了可预测临床疗效的生物标志物和潜在治疗干预靶点 。 未来 ， 通过富集或体外扩增患者自身 Spark T细胞 、 或开发药物特异性增强该亚群功能 ， 有望为克服当前免疫治疗耐药难题开辟全新的道路 。

原文链接：https://doi.org/10.1016/j.cell.2025.12.026