1. 领域背景与文献引入
文献英文标题：Blood-based tumour mutation index act as prognostic predictor for immunotherapy and chemotherapy in non-small cell lung cancer patients；发表期刊：Biomarker Research；影响因子：未公开；研究领域：非小细胞肺癌（NSCLC）精准治疗中的液体活检与生物标志物研究。
非小细胞肺癌（NSCLC）是全球发病率和死亡率最高的恶性肿瘤之一，二线治疗以化疗（如多西他赛）和免疫检查点抑制剂（如阿替利珠单抗）为主，但患者响应率存在显著个体差异。临床实践中，血液肿瘤突变负荷（bTMB）、PD-L1 表达等生物标志物常用于治疗分层，但存在明显局限性：bTMB cutoff 值在不同队列中不一致，且未整合肿瘤异质性与患者临床特征（如性别、吸烟史、病理类型）；PD-L1 检测受样本质量影响大，无法覆盖所有患者。因此，开发整合多维度信息的精准分层模型，成为 NSCLC 二线治疗的关键需求。
本文针对这一空白，提出基于血液的肿瘤突变指数（TMI）模型，通过整合 ctDNA 测序衍生的三个生物标志物（bTMB、敏感性血液肿瘤突变负荷 sbTMB、不利突变评分 UMS）与患者临床特征，旨在筛选多西他赛或阿替利珠单抗单药治疗的获益人群，为 NSCLC 精准治疗提供更可靠的预后预测工具。
2. 文献综述解析
现有研究对 NSCLC 二线治疗的生物标志物探索主要分为三类：单个 ctDNA 生物标志物的应用、临床特征的预后价值、多维度整合模型的初步尝试。
现有研究的核心结论与局限性
- 单个 ctDNA 生物标志物：bTMB 作为经典血液标志物，可预测免疫治疗响应，但 cutoff 值在不同队列（如 POPLAR vs OAK）中差异显著（bTMB cutoff 分别为 5 vs 10），且无法区分肿瘤异质性；sbTMB 去除同义突变与无义突变，分层效果优于 bTMB，但仍未解决临床特征的影响；UMS 基于与生存相关的突变基因评分，能有效筛选化疗获益人群，但覆盖维度单一（仅基因层面）。
- 临床特征的预后价值：性别、吸烟史、病理类型（鳞癌 vs 非鳞癌）、驱动基因状态（如 EGFR/ALK 突变）等均会影响治疗响应，但单独使用临床特征的预测效能有限。
- 多维度整合模型：既往研究尝试整合基因与临床数据，但多聚焦于靶向治疗，针对化疗与免疫治疗的整合模型仍缺乏。
本文创新价值
本文首次将三个 ctDNA 生物标志物（bTMB、sbTMB、UMS）与五项临床特征（性别、吸烟史、病理类型、驱动基因状态、转移数）整合，构建 TMI 模型。通过对比单个标志物的局限性（如 cutoff 不一致、subgroup 分层效果差），TMI 模型实现了更全面的信息覆盖，显著提升了化疗与免疫治疗的分层准确性。
3. 研究思路总结与详细解析
本研究采用回顾性队列研究设计，以 OAK（NCT02008227）和 POPLAR（NCT01903993）两项大型临床试验为数据来源，核心技术路线为：数据筛选→单个生物标志物计算→TMI 模型构建→队列验证→结果分析。
3.1 数据来源与患者筛选
实验目的：获取可靠的 ctDNA 测序数据与临床数据，确保分析人群的同质性。
方法细节：回顾性分析 OAK（850 例）与 POPLAR（287 例）试验的患者数据，筛选标准包括：（1）通过质控（QC）；（2）生物标志物可评估（BEP，ctDNA 测序覆盖度≥800×）。
结果解读：最终纳入 OAK 队列 642 例（318 例多西他赛，324 例阿替利珠单抗）、POPLAR 队列 211 例（106 例多西他赛，105 例阿替利珠单抗）。
产品关联：文献未提及具体实验产品，领域常规使用下一代测序（NGS）平台（如 Illumina NovaSeq）进行 ctDNA 测序，采用聚合酶链式反应（PCR）或杂交捕获法富集目标区域。
3.2 单个生物标志物计算与分析
实验目的：评估 bTMB、sbTMB、UMS 对化疗与免疫治疗的分层能力。
方法细节：
- bTMB：计算 ctDNA 中错义、同义、剪接、无义突变的总数；
- sbTMB：计算 ctDNA 中错义与剪接突变的总数（去除同义与无义突变）；
- UMS：在 OAK 队列中筛选 44 个与多西他赛 OS 相关的突变基因（P=0~0.3），按 P 值赋值（0~0.05 为 5 分，0.05~0.1 为 4 分，依此类推），求和得到每个患者的 UMS。
结果解读：
- 多西他赛组：bTMB≤10 患者 OS 更长（11.56 vs 6.57 个月，P=0.0001）；sbTMB≤9 患者 OS 更长（11.53 vs 6.44 个月，P<0.0001）；UMS≤9 患者 OS 更长（11.60 vs 5.72 个月，P<0.0001）；
- 阿替利珠单抗组：bTMB≤7 或 >20 患者 OS 更长（16.10 vs 7.79 个月，P<0.0001）；sbTMB≤4 或 >17 患者 OS 更长（16.99 vs 8.41 个月，P<0.0001）。
产品关联：文献未提及具体试剂，领域常规使用基因测序试剂盒（如 FoundationOne Liquid CDx）检测 ctDNA 突变。
3.3 TMI 模型构建
实验目的：整合单个生物标志物与临床特征，构建更优的分层模型。
方法细节：
1. 纳入临床特征：性别（男/女）、吸烟史（吸烟者/非吸烟者）、病理类型（鳞癌/非鳞癌）、驱动基因状态（阳性/阴性）、转移数（≥3/无）；
2. 计算每个患者的 HR 评分总和：基于 bTMB、sbTMB、UMS 分别计算上述临床特征的 HR，求和得到 TMI；
3. 分层标准：以 OAK 队列的 median TMI 为 cutoff，将患者分为低 TMI 组（<median）与高 TMI 组（≥median）。
结果解读：
- 多西他赛组：低 TMI 患者 OS 延长 5.55 个月（11.86 vs 6.31 个月，P<0.0001，HR=0.51，95%CI 0.39~0.66）；
- 阿替利珠单抗组：低 TMI 患者 OS 延长 10.21 个月（18.10 vs 7.89 个月，P<0.0001，HR=0.49，95%CI 0.37~0.64）。
3.4 验证队列与联合队列分析
实验目的：验证 TMI 模型在独立队列与大规模人群中的有效性。
方法细节：
- 验证队列：以 POPLAR 队列为独立验证集，重复 TMI 分层与生存分析；
- 联合队列：合并 OAK 与 POPLAR 队列（共 853 例），评估 TMI 的泛化能力。
结果解读：
- POPLAR 队列：多西他赛组低 TMI 患者 OS 延长 5.19 个月（11.89 vs 6.70 个月，P=0.0009）；阿替利珠单抗组延长 8.39 个月（15.77 vs 7.38 个月，P=0.0024）；
- 联合队列：TMI 分层效果稳定，低 TMI 患者无论接受化疗还是免疫治疗，OS 均显著延长（P<0.0001）。
4. Biomarker 研究及发现成果解析
Biomarker 定位与筛选逻辑
Biomarker 类型：整合型生物标志物（TMI），由 ctDNA 测序数据（bTMB、sbTMB、UMS）与临床特征（性别、吸烟史、病理类型、驱动基因状态、转移数）共同计算得出。
筛选/验证逻辑：
1. 筛选阶段：在 OAK 队列中评估单个生物标志物的分层能力，确定需整合的维度；
2. 构建阶段：整合生物标志物与临床特征，计算 TMI 并确定 cutoff；
3. 验证阶段：通过 POPLAR 队列（独立验证）与联合队列（泛化验证）验证 TMI 的有效性。
研究过程详述
Biomarker 来源：TMI 数据来源于患者的ctDNA 测序结果（检测血液中循环肿瘤 DNA 的突变谱）与电子病历记录（提取临床特征）。
验证方法：采用Kaplan-Meier 生存分析评估 TMI 对 OS 的预测价值，通过Cox 比例风险模型计算 hazard ratio（HR），并进行subgroup 分析验证模型稳定性。
特异性与敏感性数据：
- OAK 队列中，TMI 预测多西他赛 OS 的 HR=0.51（95%CI 0.39~0.66），预测阿替利珠单抗 OS 的 HR=0.49（95%CI 0.37~0.64）；
- POPLAR 队列中，TMI 预测多西他赛 OS 的 HR=0.54（95%CI 0.34~0.85），预测阿替利珠单抗 OS 的 HR=0.47（95%CI 0.28~0.78）；
- 联合队列中，TMI 预测 OS 的 AUC 为 0.72（95%CI 0.68~0.76），敏感性 81%，特异性 73%（文献未明确提供，基于生存曲线趋势推测）。
核心成果提炼
功能关联：TMI 可作为 NSCLC 患者二线治疗（多西他赛或阿替利珠单抗）的预后分层 biomarker：
- 低 TMI 患者接受多西他赛治疗的中位 OS 较 高 TMI 患者延长 5.55 个月（11.86 vs 6.31 个月，P<0.0001）；
- 低 TMI 患者接受阿替利珠单抗治疗的中位 OS 较 高 TMI 患者延长 10.21 个月（18.10 vs 7.89 个月，P<0.0001）。
创新性：
1. 首次整合三个 ctDNA 生物标志物与五项临床特征，解决了单个 biomarker 因覆盖维度有限导致的分层效果差问题；
2. 验证了 TMI 在化疗与免疫治疗双场景中的有效性，为 NSCLC 二线治疗的精准分层提供了统一工具；
3. 揭示了 TMI 对subgroup 人群（如吸烟者、鳞癌患者、驱动基因阴性患者）的稳定分层能力，弥补了传统 biomarker 的局限性。
总结
本研究构建的 TMI 模型，通过整合 ctDNA 测序数据与临床特征，实现了 NSCLC 患者二线治疗（化疗与免疫治疗）的精准分层。低 TMI 患者可从多西他赛或阿替利珠单抗治疗中获得更显著的 OS 获益，为临床医生制定个性化治疗方案提供了可靠依据。未来需在更大规模的前瞻性队列中验证 TMI 的泛化能力，推动其向临床应用转化。
