如何预测癌症免疫治疗效果？微生物代谢物或给出提示
编者按：
近年来，癌症免疫疗法取得了突飞猛进的进展，其中免疫检查点抑制剂成为热中之热。检查点抑制剂是用于增强免疫系统的免疫调节性抗体，可改善肿瘤患者的预后。尽管检查点抑制剂有重要的临床益处，仍有部分患者对免疫治疗的反应不佳，然而，当前缺乏强有力的预测性生物标志物来挑选适合免疫治疗的患者。
今天，我们特别编译发表在 Journal of ImmunoTherapy of Cancer 杂志上关于利用微生物代谢组作为癌症免疫治疗反应潜在预测指标的文章。希望该文能够为相关的产业人士和诸位读者带来一些帮助和启发。
摘要
免疫检查点阻断癌症疗法，已经成为各种癌症的标准治疗方法。尽管如此，当前癌症免疫治疗仍然缺乏可靠的预测性生物标记物。
越来越多的证据表明，宿主微生物组是免疫治疗反应的预测因子，尽管尚未确定宿主最佳菌群组成。
代谢组学是一个新兴的医学领域，旨在解析一个生物系统的代谢谱。微生物衍生代谢物（如粪便和血清），代表微生物代谢的最终产物，在功能上，这些物质可能比组成最佳微生物组的细菌种类更重要。
短链脂肪酸（SCFA）是肠道菌群产生的代谢产物，可有效维持 T 细胞稳态，包括调节性 T 细胞的分化。最新研究表明，免疫治疗应答者与无应答者的 SCFA 表达存在显著差异。本文认为，以 SCFA 为重点的微生物代谢物，可能是免疫治疗疗效的一个新型预测性生物标志物。
以下是正文部分：
免疫疗法
免疫疗法已经彻底改变了医学肿瘤学的治疗前景，可有效提高多种实体肿瘤亚型的生存率。尽管如此，仍然有相当一部分癌症患者对免疫治疗反应的持久性不强。然而，目前可用的生物标志物，无法可靠地选择能对免疫疗法产生良好反应的患者，以获得最佳临床效益。
最近，研究人员将目标转向了以宿主为基础的因素，以期其作为免疫治疗反应可能的预测因子。多项研究已经证实，良好的菌群和增强免疫治疗反应之间的有一定的相关性。尽管如此，究竟哪种微生物可以提高免疫治疗的应答率，在科学界尚未形成共识[1]。
菌群的活性可通过其代谢谱或代谢产物反映出来，并可以通过质谱技术进行定量评估。通过对代谢组学数据和微生物组分类组成的关联性进行分析，可以有效识别免疫治疗应答者所特有的代谢特征，而这一代谢特征就可以作为癌症免疫治疗反应的预测因子。
微生物组是由生活在人类宿主体内的数万亿共生微生物组成的[1]。研究表明，微生物组可影响免疫反应，有助于调节检查点抑制剂治疗的反应[2]。目前，还有多项临床试验正在进行中，旨在通过调节微生物组组成，来获得对免疫治疗更有利的反应[1]。
在一项对接受抗 PD-1 免疫治疗黑色素瘤患者的里程碑式的研究中，Gopalakrishnan 等人（2018）发现，应答者和无应答者的微生物组组成和多样性存在显著差异[2]。对治疗有持续反应的患者，其粪便微生物组多样性显著较高（p<0.01），瘤胃球菌科细菌的丰度也较高[2]。
还有研究者对接受检查点抑制剂治疗的患者，进行了类似的微生物组研究。然而，在不同的研究中，与有效应答反应相关的微生物也不尽相同[1,2]。
另外，研究还发现，微生物群落多样性越低，检查点抑制剂治疗效果就越差（包括在检查点抑制剂开始前使用过抗生素的患者），尽管这些研究发现并不普遍[1]。
微生物代谢产物：SCFA
调节微生物组的方法包括：膳食干预、益生元或益生菌、菌群或粪菌移植[1]。可预见这些技术中的大多数都存在一些问题，因为重现复杂的“最佳微生物群落”会伴随很多困难。粪菌移植等技术的实用性和标准化具有一定的挑战性，并不能说完全没有风险。鉴于这一点，将粪菌移植模式应用到常规临床实践上，可能是不现实的。
代谢组学是一个相对较新的医学领域，该领域研究特定生物系统所表达的代谢产物。目前已经开发出几种用于表征特定慢性疾病状态的代谢特征，包括糖尿病、心血管疾病和慢性呼吸系统疾病[3]。
代谢组学可以对包括血清、尿液、粪便、唾液以及肿瘤组织在内的体液进行分析。
癌症代谢组学是一个新兴且不断发展的领域。在癌症检查点抑制剂治疗中，代谢组学可以提供微生物-宿主相互作用的洞察数据，使研究者更直观地判断出细菌群落代谢活性是否比菌群确切的分类学组成更重要。
肠道中存在的共生微生物，在调节局部免疫、固有免疫和适应性免疫中发挥着重要作用。肠道中的微生物代谢活动，可以介导各种病理系统的免疫反应，包括自身免疫性疾病，如糖尿病、风湿性关节炎、炎症性肠病和哮喘[4,5]。
例如，在新生儿中，特殊的粪便代谢产物与过量促炎代谢物的分泌有关，从而引起 CD4-T 细胞功能障碍，导致儿童过敏和哮喘[4]。
肠道细菌的关键功能之一是将膳食底物转化为代谢产物，如短链脂肪酸、酚类化合物、N-亚硝基化合物或胆汁酸[2]。
短链脂肪酸（SCFA）被认为是调控 T 细胞稳态的关键代谢物[6]（见图 1）。SCFA 能够根据免疫条件的不同（包括关键性细胞因子的存在或缺失），调控 T 细胞分化为效应 T 细胞或调节 T 细胞（Treg）6。
检查点抑制剂的疗效，受内分泌、代谢和环境条件的影响。T 效应细胞存在一个理想的平衡状态：肿瘤微环境中需要调节 T 细胞来增强检查点抑制剂治疗的效果[5]。但是，调节 T 细胞在肿瘤微环境中的免疫抑制活性，被认为是对癌症免疫治疗结果有害的[5]。鉴于此，有人提出“剥夺”调节 T 细胞可能可以作为未来的一种治疗策略，并可与当前的免疫检查点阻断疗法进行有机结合[5]。
因此，不同微生物群落的最终代谢产物，可能通过对 T 细胞稳态的影响或其他尚未发现的作用机制，对检查点抑制剂治疗患者的免疫应答反应产生影响（见图 1）。这些代谢产物也可能成为调节免疫反应的潜在治疗靶点。
图 1.微生物衍生代谢产物作为癌症免疫治疗反应的预测因子。患者对检查点免疫疗法的反应与多种粪便微生物有关。短链脂肪酸，包括乙酸（C2）、丙酸（C3）和丁酸（C4），是膳食纤维细菌发酵的产物，已知能诱导 T 细胞分化（T0）。血清或粪便微生物衍生代谢产物可量化微生物群落的代谢产物，并可作为预测性生物标志物，用于识别可长期对检查点免疫治疗有应答的患者（右图）。短链脂肪酸可根据细胞因子和免疫环境（中图和右图）的不同，促进分化形成效应 T 细胞亚群或调节性 T 细胞亚群。检查点抑制剂治疗促进肿瘤细胞杀伤的最佳条件，涉及增加 T 效应细胞与调节 T 细胞的细胞比例。
SCFA与检查点抑制剂
目前多项研究，致力于发现代谢组学分析技术潜在作用及其与免疫治疗疗效的联系。越来越多的证据表明，全身 SCFA 可能调节人体检查点抑制剂的反应[7,8]。
Nomura 等人（2020）报道了一项前瞻性队列研究，其对 52 名接受 nivolumab 或 pembrolizumab 治疗的转移性恶性肿瘤患者结果进行了分析[7]。Nomura 等对患者粪便和血浆 SCFA 浓度进行了测量，以此将患者分为有应答者和无应答者。
与无应答者相比，有应答者粪便中乙酸、丙酸、丁酸和戊酸的浓度以及血浆中丙酸和异戊酸的浓度均显著升高 （p<0.05）[7]。
类似地，Botticelli 等人（2020），对 11 名接受 nivolumab 治疗的非小细胞肺癌患者粪便微生物代谢产物进行了分析。
研究人员发现，早期疾病进展患者的（定义为疾病进展的 3 个月内开始接受 nivolumab 治疗）微生物代谢产物中，短链脂肪酸（丙酸、丁酸和戊酸）和氨基酸（赖氨酸、异亮氨酸和谷氨酸）水平含量均较低，但烷烃、甲基酮和对甲苯酚的含量水平则较高[8]。
与此相反，最近发表的一项研究中，对接受抗 CTLA-4 治疗的转移性黑色素瘤患者（n=85）的研究结果证实，低于基线水平的丁酸盐和丙酸盐（血清），与无进展生存时间增加相关（p=0.0015 和 p=0.0029）[9]。
由于上述患者接受的均为单一药物制剂治疗，因此需要进一步研究 SCFA 对接受联合免疫治疗患者治疗结果的影响。
小鼠实验结果表明，丁酸盐通过抑制 CTLA-4 诱导的树突状细胞的成熟，降低 ICOS 在 T 细胞上的表达，减少记忆 T 细胞的积累，从而降低 CTLA-4 阻滞的效果[9]。
综上所述，研究表明 SCFA 是检查点抑制剂治疗期间系统免疫的关键调节因子，可能可以成为特定微生物群落的替代标记物。
预测与治疗
短链脂肪酸除了作为一种预测性生物标志物外，其识别和纠正特定代谢紊乱的作用机制，可用于帮助那些对免疫治疗产生耐药性或已发展为进展性疾病的患者复敏。目前正在研究 SCFA 干预对炎症性肠病的治疗效果，重点关注的是对微生态失衡的调节作用[10]。到目前为止，无论是通过口服还是通过灌肠使用 SCFA，都没有得到一致的临床结果[10]。
将代谢组学和肠道菌群分析进行整合，作为未来的预测性生物标志物和控制宿主免疫反应的操控点，是一个绝佳的手段。
在肿瘤学中，可能引起肿瘤的因素中，宿主相关基础因素的作用尝尝被忽视，而这是一个重大的疏忽。众所周知，SCFA 是免疫功能和免疫功能的关键性调节因子，似乎在免疫治疗有应答者和无应答者之间的表达存在一定差异。
我们认为，在具有一定规模的接受免疫治疗患者队列中，对患者微生物衍生代谢物进行连续评估，将有助于识别出具有足够特异性，并可作为预测免疫治疗疗效的生物标志物的 SCFA 代谢特征。此外，还可能成为提高检查点抑制剂治疗反应的治疗靶点。
参考文献：
1.McQuade JL, Daniel CR, Helmink BA, et al. Modulating the microbiome to improve therapeutic response in cancer. Lancet Oncol 2019;20:e77–91.
2.Gopalakrishnan V, Spencer CN, Nezi L, et al. Gut microbiome modulates response to anti-PD-1 immunotherapy in melanoma patients. Science 2018;359:97–103.
3.Mastrangelo A, Barbas C. Chronic Diseases and Lifestyle Biomarkers Identification by Metabolomics. In: Sussulini A, ed. Metabolomics: from Fundamentals to clinical applications. advances in experimental medicine and biology. 965. Springer, Cham, 2017.
4.Fujimura KE, Sitarik AR, Havstad S, et al. Neonatal gut microbiota associates with childhood multisensitized atopy and T cell differentiation. Nat Med 2016;22:1187–91.
5.Pitt JM, Vétizou M, Daillère R, et al. Resistance mechanisms to Immune-Checkpoint blockade in cancer: tumor-intrinsic and -Extrinsic factors. Immunity 2016;44:1255–69.
6.Park J, Kim M, Kang SG, et al. Short-Chain fatty acids induce both effector and regulatory T cells by suppression of histone deacetylases and regulation of the mTOR-s6K pathway. Mucosal Immunol 2015;8:80–93.
7.Nomura M, Nagatomo R, Doi K, et al. Association of short-chain fatty acids in the gut microbiome with clinical response to treatment with nivolumab or pembrolizumab in patients with solid cancer tumors. JAMA Netw Open 2020;3:e202895.
8.Botticelli A, Vernocchi P, Marini F, et al. Gut metabolomics profiling of non-small cell lung cancer (NSCLC) patients under immunotherapy treatment. J Transl Med 2020;18:49.
9.Coutzac C, Jouniaux J-M, Paci A, et al. Systemic short chain fatty acids limit antitumor effect of CTLA-4 blockade in hosts with cancer. Nat Commun 2020;11:2168.
10. Russo E, Giudici F, Fiorindi C, et al. Immunomodulating activity and therapeutic effects of short chain fatty acids and tryptophan post- biotics in inflammatory bowel disease. Front Immunol 2019;10:2754
原文链接：https://jitc.bmj.com/content/8/2/e001383
作者｜Agnieszka Beata Malczewski、Severine Navarro、Jermaine IG Coward 和 Natkunam Ketheesan
编译｜ninety
审校｜617