1. 领域背景与文献
文献英文标题：Interpretable machine learning for predicting immunotherapy response in gastric cancer via serum cytokine profiling and organoid co-culture platforms；
发表期刊：Cancer Immunol Immunother；影响因子：未公开；研究领域：肿瘤学（胃癌免疫治疗）
胃癌是全球范围内发病率和死亡率均位居前列的恶性肿瘤，晚期胃癌患者的5年生存率不足10%。免疫治疗尤其是程序性死亡蛋白1（PD-1）抑制剂的出现，为晚期胃癌患者带来了长期生存的希望，但领域共识：PD-1抑制剂在胃癌中的客观响应率仅约20%，多数患者无法从治疗中获益，甚至可能出现免疫相关不良反应。当前研究热点集中在寻找能精准预测免疫治疗响应的生物标志物，构建可解释的临床预测模型，以及利用体外模型模拟肿瘤免疫微环境以揭示响应机制。未解决的核心问题包括：缺乏能动态反映治疗过程中免疫状态变化的非侵入性标志物，现有机器学习预测模型的生物学可解释性不足，难以被临床医生广泛接受，以及体外模型与临床患者免疫响应的关联性验证缺失。本研究针对这些领域空白，首次将患者来源类器官（PDOs）-癌症相关成纤维细胞（CAFs）-T细胞共培养平台与可解释机器学习模型相结合，通过体外模型系统性筛选具有生物学意义的候选细胞因子，进而整合围治疗期临床变量构建预测模型，实现胃癌PD-1抑制剂治疗病理响应的精准、可解释评估，为临床精准免疫治疗提供新的技术范式。
2. 文献综述解析
作者围绕胃癌免疫治疗响应预测的现有研究，从标志物类型、预测模型构建、体外模型应用三个核心维度进行了系统性评述。现有研究中，基于肿瘤组织的生物标志物如微卫星不稳定（MSI）、肿瘤突变负荷（TMB）虽已被纳入临床指南，用于筛选PD-1抑制剂潜在获益人群，但这类标志物仅能在治疗前进行静态评估，无法实时反映治疗过程中肿瘤免疫微环境的动态变化，且仅能覆盖约15%-20%的胃癌患者。外周血标志物如循环肿瘤DNA（ctDNA）、细胞因子等具有非侵入性、可动态监测的优势，但多数研究仅关注单一或少数细胞因子的表达变化，缺乏通过体外模型系统性筛选与免疫治疗响应直接相关的细胞因子的研究，导致标志物的生物学关联性不足。在预测模型构建方面，传统统计模型如逻辑回归的预测精度有限，难以整合多维度临床与分子数据；而机器学习模型虽能有效整合多组学数据提升预测性能，但普遍存在可解释性差的“黑箱”问题，临床医生难以理解模型的决策逻辑，限制了其临床转化应用。体外模型方面，传统肿瘤细胞系模型因缺乏肿瘤微环境的关键组分，无法准确模拟免疫治疗的响应机制；PDOs模型虽能保留肿瘤的异质性，但多数研究未整合免疫细胞与基质细胞，无法反映肿瘤-免疫的相互作用。本研究的创新价值在于，通过PDOs-CAFs-T细胞共培养平台模拟体内肿瘤免疫微环境，筛选出与免疫治疗响应直接相关的候选细胞因子，解决了外周血标志物生物学关联性不足的问题；同时利用Shapley加性解释（SHAP）分析和决策树提升机器学习模型的可解释性，打破了“黑箱”模型的临床转化障碍，为胃癌免疫治疗响应预测提供了兼具精准性与可解释性的新策略。
3. 研究思路总结与详细解析
本研究的整体框架为：以“构建胃癌PD-1抑制剂治疗病理响应的可解释围治疗期预测模型”为研究目标，核心科学问题是“如何利用体外类器官共培养平台筛选的细胞因子，结合临床变量构建兼具精准性与可解释性的预测模型”，技术路线遵循“体外模型筛选候选标志物→临床样本验证标志物→整合多维度数据构建模型→模型验证与可解释性分析”的闭环逻辑。
3.1 患者来源类器官共培养平台构建与细胞因子筛选
实验目的：构建PDOs-CAFs-T细胞共培养平台，模拟胃癌免疫治疗过程中的肿瘤-免疫微环境，筛选与PD-1抑制剂治疗响应相关的候选细胞因子。
方法细节：从胃癌患者肿瘤组织中分离培养PDOs，同时分离患者外周血T细胞与肿瘤组织中的CAFs，建立18例成功的PDOs-CAFs-T细胞共培养模型；对共培养模型进行PD-1抑制剂处理后，检测培养上清中多种细胞因子的表达变化，并将变化趋势与125例患者治疗前后血清中的细胞因子变化进行对比验证。
结果解读：共培养平台显示的细胞因子变化趋势与患者血清中的变化趋势总体一致，筛选出7种与治疗响应相关的候选细胞因子，包括干扰素-α2、白介素-2、白介素-6、白介素-8、单核细胞趋化蛋白-1等，为后续临床样本的验证提供了坚实的生物学依据。
产品关联：文献未提及具体实验产品，领域常规使用类器官专用培养试剂盒、细胞因子液相芯片或酶联免疫吸附试验（ELISA）试剂盒进行相关实验。
3.2 临床样本收集与多维度数据整合
实验目的：收集胃癌患者围治疗期的临床病理数据与血清样本，验证候选细胞因子与PD-1抑制剂治疗病理响应的关联，整合多维度数据用于机器学习模型构建。
方法细节：纳入125例接受PD-1抑制剂治疗的胃癌患者，收集患者治疗前、后的血清样本，检测候选细胞因子的表达水平；同时收集患者的临床病理数据，包括治疗前后肿瘤最大直径、ycT/ycN分期等临床变量；以肿瘤退缩分级（TRG）作为二分类结局变量，将患者分为良好响应组与无/差响应组。
结果解读：通过对临床样本的分析，最终确定10项与治疗病理响应相关的关键预测因子，涵盖治疗前后肿瘤最大直径、ycT/ycN分期，以及治疗前后的干扰素-α2、白介素-2、白介素-6、白介素-8、单核细胞趋化蛋白-1的表达水平，为后续机器学习模型的构建提供了全面的特征集。
产品关联：文献未提及具体实验产品，领域常规使用流式细胞术、ELISA或液相芯片检测血清细胞因子，通过磁共振成像（MRI）、正电子发射计算机断层显像（PET-CT）检测肿瘤最大直径，依据肿瘤-淋巴结-转移（TNM）分期标准评估ycT/ycN分期。
3.3 机器学习模型构建与性能验证
实验目的：构建并优化胃癌PD-1抑制剂治疗病理响应的预测模型，系统评估模型的预测性能与临床应用价值。
方法细节：采用CatBoost、极端梯度提升（XGBoost）、支持向量机（SVM）等多种机器学习算法，以10项关键预测因子为输入特征，TRG为结局变量构建预测模型；利用十折交叉验证对模型进行调优，通过受试者工作特征曲线（ROC）、精确召回曲线（PR）和决策曲线分析评估模型的预测精度、临床实用性。
结果解读：调优后的CatBoost模型在内部测试集的ROC曲线下面积（AUC）为0.845，显示出较高的预测精度；精确召回曲线进一步验证了模型在不平衡样本中的预测性能；决策曲线分析表明，在较宽的阈值范围内，该模型能为患者带来显著的净获益，具有良好的临床应用潜力。
产品关联：文献未提及具体实验产品，领域常规使用Python或R语言的机器学习工具包（如CatBoost、scikit-learn）进行模型构建与验证。
3.4 模型可解释性分析
实验目的：解析机器学习模型的特征重要性，可视化模型的决策逻辑，提升模型的生物学可解释性与临床接受度。
方法细节：采用SHAP分析评估各预测因子对模型输出的贡献度，明确关键特征的影响方向与强度；通过决策树可视化模型的决策路径，以直观、可解释的方式呈现模型如何根据输入特征预测治疗响应。
结果解读：SHAP分析显示，治疗后肿瘤最大直径和治疗前后的细胞因子谱是影响模型预测的最关键特征，其中治疗后干扰素-α2、白介素-2的升高与良好病理响应相关，而白介素-6、白介素-8的升高与差响应相关；决策树以清晰的分支结构呈现了模型的决策逻辑，例如当患者治疗后肿瘤最大直径缩小超过一定阈值且治疗后干扰素-α2水平升高时，模型预测为良好响应，便于临床医生快速理解与应用。
产品关联：文献未提及具体实验产品，领域常规使用SHAP工具包、Graphviz等进行模型可解释性分析与可视化。
4. Biomarker研究及发现成果
本研究中的Biomarker为围治疗期多维度特征组合，涵盖治疗前后的细胞因子谱（干扰素-α2、白介素-2、白介素-6、白介素-8、单核细胞趋化蛋白-1）与临床变量（治疗前后肿瘤最大直径、ycT/ycN分期），筛选与验证逻辑为“PDOs-CAFs-T细胞共培养平台筛选候选细胞因子→临床样本验证细胞因子与治疗病理响应的关联→整合多维度特征构建并验证预测模型”，形成了从体外生物学发现到临床应用的完整链条。
该Biomarker组合属于外周血动态标志物，区别于传统的治疗前静态标志物，可在治疗过程中进行动态监测，实时反映肿瘤免疫微环境的变化。Biomarker的来源为125例胃癌患者的治疗前后血清样本与临床病理数据，细胞因子通过临床常用的血清学检测方法（文献未明确具体技术）进行定量检测，临床变量通过影像学检查、病理分期评估获取。模型验证结果显示，整合该Biomarker组合的CatBoost模型AUC为0.845（文献未明确提供该数据的样本量与P值，基于图表趋势推测），具有较好的特异性与敏感性，能有效区分PD-1抑制剂治疗的良好响应者与无/差响应者。
核心成果提炼：该Biomarker组合不仅实现了胃癌PD-1抑制剂治疗病理响应的精准预测，更重要的是通过SHAP分析明确了各特征的生物学意义，解决了传统机器学习模型可解释性不足的问题；首次将PDOs-CAFs-T细胞共培养平台与可解释机器学习模型相结合，为胃癌免疫治疗的围治疗期动态评估提供了新的策略。推测：该Biomarker组合有望在多中心临床研究中进一步验证其有效性，未来可能成为胃癌免疫治疗过程中监测治疗响应、调整治疗方案的重要工具，为实现胃癌的精准免疫治疗提供关键支撑。