基于机制信息并采用人工智能引导决策的癌症免疫治疗自适应给药方案

剂量与给药方案的优化仍然是肿瘤学药物开发中的核心挑战，尤其对于免疫治疗而言，固定给药方案往往无法考虑患者肿瘤-免疫动力学中个体特异性的异质性。在此，我们提出了一种用于个体化免疫治疗给药的混合定量系统药理学-强化学习-蒙特卡罗树搜索（QSP-RL-MCTS）框架，该框架将剂量选择表述为一个序贯决策问题。 该方法整合了前列腺癌免疫治疗的机制性QSP模型、转录组学信息驱动的虚拟患者群体，以及由强化学习和蒙特卡罗树搜索构成的数据驱动人工智能系统。强化学习用于学习自适应的广义给药策略，以优化整个人群中的治疗结局；而蒙特卡罗树搜索则对强化学习预测的给药轨迹进行前瞻性评估，从而细化患者特异性的决策。 在与伊匹木单抗固定给药方案的基准比较中，所提出模型的缓解率（95.2%）与最高固定给药方案（每次给药10 mg/kg）相当，而所提出模型设计方案的总剂量中位数（72 mg/kg）则与最低固定给药方案（每次给药3 mg/kg）相当。该模型可推广至不同给药方案，并可进一步扩展用于预测不同治疗情境下的最优剂量。 对所学习给药轨迹的分析能够将患者分层为不同的应答组，并识别出药物活性速率是决定长期治疗结局的主导因素。这些结果表明，机制引导的人工智能能够将群体层面的剂量优化转化为患者特异性、具有生物学可解释性的精准免疫肿瘤治疗策略。

剂量与给药方案的优化仍然是肿瘤学药物开发中的核心挑战，尤其是在免疫治疗领域，因为固定给药方案往往无法考虑患者肿瘤—免疫动力学中的个体异质性。在此，我们提出了一种用于个体化免疫治疗给药的混合定量系统药理学—强化学习—蒙特卡罗树搜索（QSP-RL-MCTS）框架，将剂量选择表述为一个序贯决策问题。该方法整合了前列腺癌免疫治疗的机制性QSP模型、转录组学信息驱动的虚拟患者群体，以及由强化学习和蒙特卡罗树搜索构成的数据驱动人工智能系统。强化学习用于学习自适应的广义给药策略，以优化整个人群中的治疗结局；而蒙特卡罗树搜索则对强化学习预测的给药轨迹进行前瞻性评估，从而细化患者特异性的决策。

在与伊匹木单抗固定给药方案的基准比较中，所提出模型的缓解率（95.2%）与最高固定给药方案（每次10 mg/kg）相当，而该模型设计方案的总剂量中位数（72 mg/kg）则与最低固定给药方案（每次3 mg/kg）相当。该模型可推广至不同的给药方案，并可扩展用于预测不同治疗情景下的最优剂量。对所学习给药轨迹的分析能够将患者分层为不同的应答群体，并识别出药物活性速率是决定长期治疗结局的主导因素。这些结果表明，机制引导的人工智能能够将群体层面的剂量优化转化为患者特异性、具有生物学可解释性的精准免疫肿瘤治疗策略。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.09.730783v1?rss=1

🏷️ 癌症免疫治疗 自适应给药 定量系统药理学 强化学习 蒙特卡罗树搜索 精准医疗