बातम्या

इम्युनोथेरपीने घातक ट्यूमरच्या उपचारांमध्ये क्रांतिकारी बदल घडवून आणले आहेत, परंतु अजूनही काही रुग्ण आहेत ज्यांना फायदा होत नाही. म्हणूनच, इम्युनोथेरपीची प्रभावीता अंदाज लावण्यासाठी, कार्यक्षमता वाढवण्यासाठी आणि अनावश्यक विषारीपणा टाळण्यासाठी, क्लिनिकल अनुप्रयोगांमध्ये योग्य बायोमार्कर्सची तातडीने आवश्यकता आहे.

एफडीए मान्यताप्राप्त बायोमार्कर्स

PD-L1 अभिव्यक्ती. इम्युनोहिस्टोकेमिस्ट्री (IHC) द्वारे PD-L1 अभिव्यक्ती पातळीचे मूल्यांकन केल्याने ट्यूमर प्रपोर्शन स्कोअर (TPS) मिळतो, जो जिवंत ट्यूमर पेशींमध्ये कोणत्याही तीव्रतेच्या अंशतः किंवा पूर्णपणे पडद्याच्या स्टेन्ड ट्यूमर पेशींची टक्केवारी आहे. क्लिनिकल चाचण्यांमध्ये, ही चाचणी पेम्ब्रोलिझुमॅबसह प्रगत नॉन-स्मॉल सेल फुफ्फुस कर्करोग (NSCLC) च्या उपचारांसाठी सहाय्यक निदान चाचणी म्हणून काम करते. जर नमुन्याचा TPS ≥ 1% असेल, तर PD-L1 अभिव्यक्ती विचारात घेतली जाते; TPS ≥ 50% हे PD-L1 ची उच्च अभिव्यक्ती दर्शवते. सुरुवातीच्या फेज 1 चाचणीमध्ये (KEYNOTE-001), पेम्ब्रोलिझुमॅब वापरणाऱ्या PD-L1 TPS>50% उपसमूहातील रुग्णांचा प्रतिसाद दर 45.2% होता, तर TPS काहीही असो, हे इम्यून चेकपॉइंट इनहिबिटर (ICI) उपचार घेणाऱ्या सर्व रुग्णांचा प्रतिसाद दर 19.4% होता. त्यानंतरच्या दुसऱ्या/३ व्या टप्प्यातील चाचणीत (KEYNOTE-024) PD-L1 TPS>50% असलेल्या रुग्णांना पेम्ब्रोलिझुमॅब आणि मानक केमोथेरपी देण्यासाठी यादृच्छिकपणे नियुक्त केले गेले आणि परिणामांनी पेम्ब्रोलिझुमॅब उपचार घेणाऱ्या रुग्णांमध्ये एकूण जगण्यात (OS) लक्षणीय सुधारणा दर्शविली.

तथापि, ICI प्रतिसादांचा अंदाज लावण्यासाठी PD-L1 चा वापर विविध घटकांमुळे मर्यादित आहे. प्रथम, वेगवेगळ्या प्रकारच्या कर्करोगासाठी इष्टतम मर्यादा बदलते. उदाहरणार्थ, पोटाचा कर्करोग, अन्ननलिका कर्करोग, मूत्राशय कर्करोग आणि फुफ्फुसाचा कर्करोग असलेल्या रुग्णांमध्ये ट्यूमर PD-L1 अभिव्यक्ती अनुक्रमे 1%, 10% आणि 50% असताना पाबोलिझुमॅबचा वापर केला जाऊ शकतो. दुसरे म्हणजे, PD-L1 अभिव्यक्तीच्या पेशींच्या संख्येचे मूल्यांकन कर्करोगाच्या प्रकारानुसार बदलते. उदाहरणार्थ, डोके आणि मानेच्या वारंवार किंवा मेटास्टॅटिक स्क्वॅमस सेल कार्सिनोमाच्या उपचारांसाठी दुसरी FDA मान्यताप्राप्त चाचणी पद्धत, कॉम्प्रिहेन्सिव्ह पॉझिटिव्ह स्कोअर (CPS) वापरणे निवडू शकते. तिसरे म्हणजे, विविध कर्करोगांमध्ये PD-L1 अभिव्यक्ती आणि ICI प्रतिसाद यांच्यात जवळजवळ कोणताही संबंध नाही, जे दर्शवते की ICI बायोमार्कर्सचा अंदाज लावण्यात ट्यूमर पार्श्वभूमी हा एक महत्त्वाचा घटक असू शकतो. उदाहरणार्थ, चेकमेट-067 चाचणीच्या निकालांनुसार, मेलेनोमामध्ये PD-L1 अभिव्यक्तीचे नकारात्मक भविष्यसूचक मूल्य फक्त 45% आहे. शेवटी, अनेक अभ्यासातून असे आढळून आले आहे की एकाच रुग्णातील वेगवेगळ्या ट्यूमर जखमांमध्ये, अगदी त्याच ट्यूमरमध्ये देखील PD-L1 अभिव्यक्ती विसंगत आहे. थोडक्यात, NSCLC च्या सुरुवातीच्या क्लिनिकल चाचण्यांमुळे PD-L1 अभिव्यक्तीवर संभाव्य भाकित बायोमार्कर म्हणून संशोधन झाले असले तरी, वेगवेगळ्या प्रकारच्या कर्करोगात त्याची क्लिनिकल उपयुक्तता अस्पष्ट राहिली आहे.

ट्यूमर उत्परिवर्तनाचा भार. ट्यूमर उत्परिवर्तनाचा भार (TMB) हा ट्यूमर इम्युनोजेनिसिटीचा पर्यायी सूचक म्हणून वापरला गेला आहे. KEYNOTE-158 च्या क्लिनिकल चाचणी निकालांनुसार, पेम्ब्रोलिझुमॅबने उपचार केलेल्या 10 प्रकारच्या प्रगत घन ट्यूमरपैकी, प्रति मेगाबेस (उच्च TMB) किमान 10 उत्परिवर्तन असलेल्या रुग्णांमध्ये कमी TMB असलेल्या रुग्णांपेक्षा जास्त प्रतिसाद दर होता. हे लक्षात घेण्यासारखे आहे की या अभ्यासात, TMB हा PFS चा अंदाज लावणारा होता, परंतु तो OS चा अंदाज लावू शकला नाही.

रोगप्रतिकारक थेरपी प्रतिसाद मुख्यतः नवीन प्रतिजनांच्या टी पेशी ओळखण्याद्वारे चालतो. उच्च टीएमबीशी संबंधित रोगप्रतिकारकता देखील विविध घटकांवर अवलंबून असते, ज्यामध्ये ट्यूमरने सादर केलेले ट्यूमर निओअँटीजेन समाविष्ट आहे; रोगप्रतिकारक प्रणाली ट्यूमर निओअँटीजेन ओळखते; प्रतिजन-विशिष्ट प्रतिसाद सुरू करण्याची यजमानाची क्षमता. उदाहरणार्थ, डेटा असे सूचित करतो की काही रोगप्रतिकारक पेशींमध्ये सर्वाधिक घुसखोरी असलेल्या ट्यूमरमध्ये प्रत्यक्षात प्रतिबंधात्मक नियामक टी सेल (ट्रेग) क्लोन प्रवर्धन असू शकते. याव्यतिरिक्त, टीएमबीची श्रेणी टीएमबी निओअँटीजेनच्या संभाव्यतेपेक्षा वेगळी असू शकते, कारण उत्परिवर्तनाचे अचूक स्थान देखील महत्त्वपूर्ण भूमिका बजावते; प्रतिजन सादरीकरणाच्या वेगवेगळ्या मार्गांमध्ये मध्यस्थी करणारे उत्परिवर्तन रोगप्रतिकारक प्रणालीमध्ये नवीन प्रतिजनांच्या सादरीकरणावर (किंवा सादरीकरण नसण्यावर) परिणाम करू शकतात, हे दर्शविते की इष्टतम आयसीआय प्रतिसाद निर्माण करण्यासाठी ट्यूमरची अंतर्गत आणि रोगप्रतिकारक वैशिष्ट्ये सुसंगत असणे आवश्यक आहे.

सध्या, TMB हे पुढील पिढीतील अनुक्रमांक (NGS) द्वारे मोजले जाते, जे वेगवेगळ्या संस्थांमध्ये (अंतर्गत) किंवा वापरल्या जाणाऱ्या व्यावसायिक प्लॅटफॉर्ममध्ये बदलू शकते. NGS मध्ये संपूर्ण एक्सोम अनुक्रमांक (WES), संपूर्ण जीनोम अनुक्रमांक आणि लक्ष्यित अनुक्रमांक समाविष्ट आहेत, जे ट्यूमर टिशू आणि परिसंचरण ट्यूमर DNA (ctDNA) मधून मिळवता येतात. हे लक्षात घेण्यासारखे आहे की वेगवेगळ्या प्रकारच्या ट्यूमरमध्ये TMB ची विस्तृत श्रेणी असते, ज्यामध्ये मेलेनोमा, NSCLC आणि स्क्वॅमस सेल कार्सिनोमा सारख्या इम्युनोजेनिक ट्यूमरमध्ये TMB पातळी सर्वाधिक असते. त्याचप्रमाणे, वेगवेगळ्या प्रकारच्या ट्यूमरसाठी डिझाइन केलेल्या शोध पद्धतींमध्ये TMB थ्रेशोल्ड मूल्यांची वेगवेगळी व्याख्या असते. NSCLC, मेलेनोमा, युरोथेलियल कार्सिनोमा आणि लहान पेशी फुफ्फुसांच्या कर्करोगाच्या अभ्यासात, या शोध पद्धती वेगवेगळ्या विश्लेषणात्मक पद्धती (जसे की WES किंवा संबंधित जीन्सच्या विशिष्ट संख्येसाठी PCR शोध) आणि थ्रेशोल्ड (TMB उच्च किंवा TMB कमी) वापरतात.

सूक्ष्म उपग्रह अत्यंत अस्थिर असतात. आयसीआय प्रतिसादासाठी पॅन कॅन्सर बायोमार्कर म्हणून मायक्रोसॅटेलाइट हायली अस्थिर (एमएसआय-एच), विविध कर्करोगांमध्ये आयसीआय प्रभावीपणाचा अंदाज लावण्यात उत्कृष्ट कामगिरी करते. एमएसआय-एच हे मिसॅमॅच रिपेअर डिफेक्ट्स (डीएमएमआर) चे परिणाम आहे, ज्यामुळे उत्परिवर्तन दर उच्च होतो, विशेषतः मायक्रोसॅटेलाइट प्रदेशांमध्ये, ज्यामुळे मोठ्या संख्येने नवीन अँटीजेन्स तयार होतात आणि शेवटी क्लोनल इम्यून रिस्पॉन्स ट्रिगर होतो. डीएमएमआरमुळे होणाऱ्या उच्च उत्परिवर्तन भारामुळे, एमएसआय-एच ट्यूमर हा उच्च उत्परिवर्तन भार (टीएमबी) ट्यूमरचा एक प्रकार मानला जाऊ शकतो. KEYNOTE-164 आणि KEYNOTE-158 च्या क्लिनिकल चाचणी निकालांवर आधारित, एफडीएने एमएसआय-एच किंवा डीएमएमआर ट्यूमरच्या उपचारांसाठी पेम्ब्रोलिझुमॅबला मान्यता दिली आहे. हे हिस्टोलॉजीऐवजी ट्यूमर बायोलॉजीद्वारे चालविलेल्या एफडीएने मंजूर केलेल्या पहिल्या पॅन कॅन्सर औषधांपैकी एक आहे.

लक्षणीय यश असूनही, MSI स्थिती वापरताना लक्षात ठेवण्यासारख्या काही समस्या देखील आहेत. उदाहरणार्थ, dMMR कोलोरेक्टल कर्करोगाच्या 50% रुग्णांना ICI उपचारांना प्रतिसाद मिळत नाही, ज्यामुळे प्रतिसादाचा अंदाज लावण्यात इतर वैशिष्ट्यांचे महत्त्व अधोरेखित होते. ट्यूमरची इतर अंतर्गत वैशिष्ट्ये जी वर्तमान शोध प्लॅटफॉर्मद्वारे मूल्यांकन केली जाऊ शकत नाहीत ती कारणीभूत घटक असू शकतात. उदाहरणार्थ, असे अहवाल आले आहेत की डीएनए प्रदेशात पॉलिमरेज डेल्टा (POLD) किंवा पॉलिमरेज ε (POLE) च्या महत्त्वाच्या उत्प्रेरक उपयुनिट्स एन्कोड करणाऱ्या जीन्समध्ये उत्परिवर्तन असलेल्या रुग्णांमध्ये प्रतिकृती निष्ठा नसते आणि त्यांच्या ट्यूमरमध्ये "सुपर म्युटेशन" फेनोटाइप प्रदर्शित करतात. यापैकी काही ट्यूमरमध्ये मायक्रोसॅटेलाइट अस्थिरता लक्षणीयरीत्या वाढली आहे (अशा प्रकारे MSI-H शी संबंधित), परंतु मिसमेच रिपेअर प्रोटीनची कमतरता नाही (म्हणून dMMR नाही).

याव्यतिरिक्त, TMB प्रमाणेच, MSI-H वर सूक्ष्म उपग्रह अस्थिरतेमुळे निर्माण होणाऱ्या नवीन प्रतिजन प्रकारांचा, नवीन प्रतिजन प्रकारांची ओळख आणि यजमान रोगप्रतिकारक प्रणालीच्या प्रतिसादाचा देखील परिणाम होतो. MSI-H प्रकारच्या ट्यूमरमध्ये देखील, मोठ्या संख्येने एकल न्यूक्लियोटाइड उत्परिवर्तनांना प्रवासी उत्परिवर्तन (नॉन-ड्रायव्हर उत्परिवर्तन) म्हणून ओळखले गेले आहे. म्हणून, ट्यूमरमध्ये ओळखल्या जाणाऱ्या सूक्ष्म उपग्रहांच्या संख्येवर पूर्णपणे अवलंबून राहणे पुरेसे नाही; वास्तविक प्रकारचे उत्परिवर्तन (विशिष्ट उत्परिवर्तन प्रोफाइलद्वारे ओळखले जाणारे) या बायोमार्करची भविष्यसूचक कामगिरी सुधारू शकते. याव्यतिरिक्त, कर्करोगाच्या रुग्णांपैकी फक्त एक लहान भाग MSI-H ट्यूमरचा आहे, जो सध्या अधिक व्यापकपणे लागू होणाऱ्या बायोमार्करची गरज दर्शवितो. म्हणून, प्रभावीपणाचा अंदाज लावण्यासाठी आणि रुग्ण व्यवस्थापनाचे मार्गदर्शन करण्यासाठी इतर प्रभावी बायोमार्कर ओळखणे हे एक महत्त्वाचे संशोधन क्षेत्र आहे.

संस्थात्मक आधारित बायोमार्कर संशोधन

आयसीआयच्या कृतीची यंत्रणा ट्यूमर पेशींच्या अंतर्गत मार्गांना थेट लक्ष्य करण्याऐवजी रोगप्रतिकारक पेशी दडपशाही उलट करणे आहे हे लक्षात घेता, पुढील संशोधन ट्यूमर वाढीच्या वातावरणाचे आणि ट्यूमर पेशी आणि रोगप्रतिकारक पेशींमधील परस्परसंवादाचे पद्धतशीर विश्लेषण करण्यावर केंद्रित असले पाहिजे, जे आयसीआय प्रतिसादावर परिणाम करणारे घटक स्पष्ट करण्यास मदत करू शकते. अनेक संशोधन गटांनी विशिष्ट ऊतींच्या ट्यूमर किंवा रोगप्रतिकारक वैशिष्ट्यांचा अभ्यास केला आहे, जसे की ट्यूमर आणि रोगप्रतिकारक जनुक उत्परिवर्तन वैशिष्ट्ये, ट्यूमर प्रतिजन सादरीकरण कमतरता, किंवा बहुपेशीय रोगप्रतिकारक केंद्रे किंवा समुच्चय (जसे की तृतीयक लिम्फॉइड संरचना), जे इम्युनोथेरपीच्या प्रतिसादांचा अंदाज लावू शकतात.

संशोधकांनी आयसीआय उपचारापूर्वी आणि नंतर रुग्णाच्या ऊतींचे ट्यूमर आणि इम्यून एक्सोम आणि ट्रान्सक्रिप्टोम अनुक्रमित करण्यासाठी एनजीएसचा वापर केला आणि स्थानिक इमेजिंग विश्लेषण केले. सिंगल-सेल सिक्वेन्सिंग आणि स्थानिक इमेजिंग किंवा मल्टी ओमिक्स मॉडेल्स सारख्या तंत्रांसह एकत्रित केलेल्या अनेक एकात्मिक मॉडेल्सचा वापर करून, आयसीआय उपचार परिणामांची भाकित करण्याची क्षमता सुधारली आहे. याव्यतिरिक्त, ट्यूमर रोगप्रतिकारक सिग्नल आणि अंतर्गत ट्यूमर वैशिष्ट्यांचे मूल्यांकन करण्यासाठी एक व्यापक पद्धत देखील मजबूत भाकित करण्याची क्षमता दर्शविली आहे. उदाहरणार्थ, एकाच वेळी ट्यूमर आणि रोगप्रतिकारक वैशिष्ट्यांचे मोजमाप करणारी एक व्यापक बॅच अनुक्रम पद्धत एका विश्लेषणात्मक चलापेक्षा श्रेष्ठ आहे. हे परिणाम आयसीआय प्रभावीतेचे अधिक व्यापक पद्धतीने अनुकरण करण्याची आवश्यकता अधोरेखित करतात, ज्यामध्ये यजमान रोगप्रतिकारक क्षमता, अंतर्गत ट्यूमर वैशिष्ट्ये आणि ट्यूमर रोगप्रतिकारक घटकांचे मूल्यांकन परिणाम वैयक्तिक रुग्णांमध्ये समाविष्ट करणे समाविष्ट आहे जेणेकरून कोणते रुग्ण इम्युनोथेरपीला प्रतिसाद देतील याचा चांगला अंदाज लावता येईल.

बायोमार्कर संशोधनात ट्यूमर आणि होस्ट घटकांचा समावेश करण्याची जटिलता, तसेच रोगप्रतिकारक सूक्ष्म पर्यावरण वैशिष्ट्यांच्या अनुदैर्ध्य एकत्रीकरणाची संभाव्य गरज लक्षात घेता, लोकांनी संगणक मॉडेलिंग आणि मशीन लर्निंग वापरून बायोमार्कर शोधण्यास सुरुवात केली आहे. सध्या, या क्षेत्रात काही अभूतपूर्व संशोधन यश समोर आले आहेत, जे मशीन लर्निंगद्वारे सहाय्य केलेल्या वैयक्तिकृत ऑन्कोलॉजीचे भविष्य दर्शवितात.

ऊतींवर आधारित बायोमार्कर्सना भेडसावणारी आव्हाने

विश्लेषणात्मक पद्धतींच्या मर्यादा. काही अर्थपूर्ण बायोमार्कर विशिष्ट ट्यूमर प्रकारांमध्ये चांगले काम करतात, परंतु इतर ट्यूमर प्रकारांमध्ये आवश्यक नाही. जरी ट्यूमर-विशिष्ट जनुक वैशिष्ट्यांमध्ये TMB आणि इतरांपेक्षा अधिक भाकित करण्याची क्षमता असते, तरीही ते सर्व ट्यूमरच्या निदानासाठी वापरले जाऊ शकत नाहीत. NSCLC रुग्णांना लक्ष्य केलेल्या अभ्यासात, उच्च TMB (≥ 10) पेक्षा जनुक उत्परिवर्तन वैशिष्ट्ये ICI परिणामकारकतेचे अधिक भाकित करणारी आढळली, परंतु अर्ध्याहून अधिक रुग्ण जनुक उत्परिवर्तन वैशिष्ट्ये शोधू शकले नाहीत.

ट्यूमरची विषमता. ऊतींवर आधारित बायोमार्कर पद्धत केवळ एकाच ट्यूमर साइटवर नमुने घेते, याचा अर्थ असा की विशिष्ट ट्यूमर भागांचे मूल्यांकन रुग्णातील सर्व ट्यूमरची एकूण अभिव्यक्ती अचूकपणे प्रतिबिंबित करू शकत नाही. उदाहरणार्थ, अभ्यासात ट्यूमरमधील आणि आत PD-L1 अभिव्यक्तीमध्ये विषमता आढळली आहे आणि इतर टिशू मार्करमध्येही अशाच समस्या आहेत.

जैविक प्रणालींच्या जटिलतेमुळे, पूर्वी वापरलेले अनेक टिशू बायोमार्कर अतिसरलीकृत केले गेले असतील. याव्यतिरिक्त, ट्यूमर मायक्रोएन्वायरनमेंट (TME) मधील पेशी सहसा गतिमान असतात, म्हणून स्थानिक विश्लेषणात प्रदर्शित केलेले परस्परसंवाद ट्यूमर पेशी आणि रोगप्रतिकारक पेशींमधील खरे परस्परसंवाद दर्शवू शकत नाहीत. जरी बायोमार्कर एका विशिष्ट वेळी संपूर्ण ट्यूमर वातावरणाचे आदर्शपणे प्रतिनिधित्व करू शकत असले तरीही, हे लक्ष्य अजूनही प्रेरित केले जाऊ शकतात आणि कालांतराने गतिमानपणे बदलू शकतात, हे दर्शविते की एका वेळी एकच स्नॅपशॉट गतिमान बदलांचे चांगले प्रतिनिधित्व करू शकत नाही.

रुग्णांमध्ये विषमता. जरी आयसीआय प्रतिकाराशी संबंधित ज्ञात अनुवांशिक बदल आढळले तरीही, ज्ञात प्रतिकार बायोमार्कर असलेल्या काही रुग्णांना अजूनही फायदा होऊ शकतो, कदाचित ट्यूमरमध्ये आणि वेगवेगळ्या ट्यूमर साइट्सवर आण्विक आणि/किंवा रोगप्रतिकारक विषमतेमुळे. उदाहरणार्थ, β 2-मायक्रोग्लोबुलिन (B2M) ची कमतरता नवीन किंवा अधिग्रहित औषध प्रतिकार दर्शवू शकते, परंतु व्यक्तींमध्ये आणि ट्यूमरमध्ये बी2एम कमतरतेच्या विषमतेमुळे, तसेच या रुग्णांमध्ये रोगप्रतिकारक ओळख बदलण्याच्या यंत्रणेच्या परस्परसंवादामुळे, बी2एमची कमतरता वैयक्तिक औषध प्रतिकाराचा जोरदार अंदाज लावू शकत नाही. म्हणून, बी2एमची कमतरता असूनही, रुग्णांना आयसीआय थेरपीचा फायदा होऊ शकतो.

संघटनात्मक आधारित अनुदैर्ध्य बायोमार्कर
बायोमार्कर्सची अभिव्यक्ती कालांतराने आणि उपचारांच्या परिणामासह बदलू शकते. ट्यूमर आणि इम्युनोबायोलॉजीचे स्थिर आणि एकल मूल्यांकन हे बदल दुर्लक्षित करू शकते आणि ट्यूमर टीएमई आणि होस्ट इम्यून रिस्पॉन्स लेव्हलमधील बदल देखील दुर्लक्षित केले जाऊ शकतात. अनेक अभ्यासातून असे दिसून आले आहे की उपचारापूर्वी आणि दरम्यान नमुने घेतल्याने आयसीआय उपचारांशी संबंधित बदल अधिक अचूकपणे ओळखता येतात. हे डायनॅमिक बायोमार्कर मूल्यांकनाचे महत्त्व अधोरेखित करते.

रक्तावर आधारित बायोमार्कर्स
रक्त विश्लेषणाचा फायदा म्हणजे सर्व वैयक्तिक ट्यूमर जखमांचे जैविकदृष्ट्या मूल्यांकन करण्याची क्षमता, विशिष्ट साइट रीडिंगऐवजी सरासरी रीडिंग प्रतिबिंबित करते, ज्यामुळे ते उपचारांशी संबंधित गतिमान बदलांचे मूल्यांकन करण्यासाठी विशेषतः योग्य बनते. असंख्य संशोधन निकालांवरून असे दिसून आले आहे की किमान अवशिष्ट रोग (MRD) चे मूल्यांकन करण्यासाठी परिसंचरण ट्यूमर DNA (ctDNA) किंवा परिसंचरण ट्यूमर पेशी (CTC) वापरणे उपचारांच्या निर्णयांना मार्गदर्शन करू शकते, परंतु या चाचण्यांमध्ये ICI सारख्या इम्युनोथेरपीचा फायदा रुग्णांना मिळू शकतो की नाही हे भाकित करण्याबाबत मर्यादित माहिती आहे. म्हणून, रोगप्रतिकारक सक्रियता किंवा होस्ट रोगप्रतिकारक क्षमता मोजण्यासाठी ctDNA चाचणी इतर पद्धतींसह एकत्रित करणे आवश्यक आहे. या संदर्भात, परिधीय रक्त मोनोन्यूक्लियर पेशी (PBMCs) च्या इम्युनोफेनोटाइपिंग आणि बाह्य पेशी आणि प्लाझ्माच्या प्रोटिओमिक विश्लेषणात प्रगती झाली आहे. उदाहरणार्थ, परिधीय रोगप्रतिकारक पेशींचे उपप्रकार (जसे की CD8+T पेशी), रोगप्रतिकारक चेकपॉईंट रेणूंची उच्च अभिव्यक्ती (जसे की परिधीय CD8+T पेशींवर PD1), आणि प्लाझ्मामधील विविध प्रथिनांचे वाढलेले स्तर (जसे की CXCL8, CXCL10, IL-6, IL-10, PRAP1 आणि VEGFA) हे सर्व ctDNA डायनॅमिक को बायोमार्कर्ससाठी प्रभावी पूरक म्हणून काम करू शकतात. या नवीन पद्धतींचा फायदा असा आहे की ते ट्यूमरमधील बदलांचे मूल्यांकन करू शकतात (ctDNA द्वारे शोधलेल्या बदलांसारखे) आणि रुग्णाच्या रोगप्रतिकारक प्रणालीतील बदल देखील प्रकट करू शकतात.

रेडिओमिक्स
इमेज डेटाचे भाकित करणारे घटक टिश्यू बायोमार्कर सॅम्पलिंग आणि बायोप्सीच्या मर्यादांवर प्रभावीपणे मात करू शकतात आणि कोणत्याही वेळी संपूर्ण ट्यूमर आणि संभाव्य इतर मेटास्टॅटिक साइट्सचे निरीक्षण करू शकतात. म्हणूनच, ते भविष्यात नॉन-इनवेसिव्ह डायनॅमिक बायोमार्करचा एक महत्त्वाचा भाग बनू शकतात. डेल्टा रेडिओमिक्स वेगवेगळ्या वेळी, जसे की आयसीआय उपचारापूर्वी आणि नंतर, उपचारादरम्यान आणि त्यानंतरच्या फॉलो-अपवर, अनेक ट्यूमर वैशिष्ट्यांमधील बदलांची (जसे की ट्यूमर आकार) परिमाणात्मक गणना करू शकतात. डेल्टा रेडिओमिक्स केवळ सुरुवातीच्या उपचारांना सुरुवातीच्या किंवा कोणताही प्रतिसाद न देण्याचा अंदाज लावू शकत नाहीत, तर रिअल-टाइममध्ये आयसीआयला प्राप्त प्रतिकार ओळखू शकतात आणि पूर्ण माफीनंतर कोणत्याही पुनरावृत्तीचे निरीक्षण करू शकतात. मशीन लर्निंग तंत्रज्ञानाद्वारे विकसित केलेले इमेजिंग मॉडेल उपचार प्रतिसाद आणि संभाव्य प्रतिकूल घटनांचा अंदाज लावण्यात पारंपारिक RECIST मानकांपेक्षाही चांगले आहे. सध्याचे संशोधन असे दर्शविते की या रेडिओमिक्स मॉडेल्समध्ये इम्यून थेरपी प्रतिसादाचा अंदाज लावण्यासाठी वक्र (AUC) अंतर्गत क्षेत्र 0.8 ते 0.92 पर्यंत आहे.

रेडिओमिक्सचा आणखी एक फायदा म्हणजे त्याची छद्म प्रगती अचूकपणे ओळखण्याची क्षमता. मशीन लर्निंगद्वारे तयार केलेले रेडिओमिक्स मॉडेल प्रत्येक ट्यूमरसाठी आकार, तीव्रता आणि पोत यासारख्या घटकांसह, 0.79 च्या AUC सह CT किंवा PET डेटाचे पुनर्मापन करून खरे आणि खोटे प्रगती प्रभावीपणे ओळखू शकते. रोगाच्या प्रगतीचा चुकीचा अंदाज घेतल्यामुळे उपचार अकाली बंद होऊ नये म्हणून भविष्यात हे रेडिओमिक्स मॉडेल वापरले जाऊ शकतात.

आतड्यांसंबंधी सूक्ष्मजीव
आतड्याच्या मायक्रोबायोटाचे बायोमार्कर आयसीआयच्या उपचारात्मक प्रतिसादाचा अंदाज लावतील अशी अपेक्षा आहे. असंख्य अभ्यासातून असे दिसून आले आहे की विशिष्ट आतड्याच्या मायक्रोबायोटा आयसीआय उपचारांना विविध प्रकारच्या कर्करोगाच्या प्रतिसादाशी जवळून संबंधित आहे. उदाहरणार्थ, मेलेनोमा आणि यकृताच्या कर्करोगाच्या रुग्णांमध्ये, रुमिनोकोकासी बॅक्टेरियाची विपुलता पीडी-१ इम्युनोथेरपी प्रतिसादाशी संबंधित आहे. यकृताचा कर्करोग, फुफ्फुसाचा कर्करोग किंवा मूत्रपिंडाच्या पेशी कार्सिनोमा असलेल्या रुग्णांमध्ये अक्करमॅन्सिया म्युसिनिफिला समृद्धी सामान्य आहे, जे आयसीआय उपचारांना चांगला प्रतिसाद देतात.

याव्यतिरिक्त, नवीन मशीन लर्निंग मॉडेल ट्यूमरच्या प्रकारांपासून स्वतंत्र असू शकते आणि विशिष्ट आतड्यांतील बॅक्टेरियाच्या प्रजातींना इम्युनोथेरपीच्या उपचारात्मक प्रतिसादाशी जोडू शकते. इतर अभ्यासांनी यजमान रोगप्रतिकारक शक्तीचे नियमन करण्यात वैयक्तिक बॅक्टेरिया गटांची विशिष्ट भूमिका देखील उघड केली आहे, कर्करोगाच्या पेशींच्या रोगप्रतिकारक शक्तीला कसे रोखायचे किंवा कसे प्रोत्साहन द्यायचे याचा शोध घेतला आहे.

निओअ‍ॅडजुव्हंट थेरपी
ट्यूमर बायोलॉजीचे गतिमान मूल्यांकन पुढील क्लिनिकल उपचार धोरणांचे मार्गदर्शन करू शकते. निओएडजुव्हंट थेरपी चाचणी शस्त्रक्रियेच्या नमुन्यांमध्ये पॅथॉलॉजिकल रिमिशनद्वारे उपचारात्मक परिणामाचे मूल्यांकन करू शकते. मेलेनोमाच्या उपचारांमध्ये, प्राथमिक पॅथॉलॉजिकल रिस्पॉन्स (MPR) पुनरावृत्ती मुक्त जगण्याच्या दराशी संबंधित आहे. PRADO चाचणीमध्ये, संशोधक रुग्णाच्या विशिष्ट पॅथॉलॉजिकल रिमिशन डेटावर आधारित पुढील क्लिनिकल हस्तक्षेप उपाय, जसे की शस्त्रक्रिया आणि/किंवा अॅडजुव्हंट थेरपी निश्चित करतात.

विविध प्रकारच्या कर्करोगांमध्ये, अनेक नवीन अ‍ॅडजुव्हंट थेरपी पर्यायांमध्ये अजूनही प्रत्यक्ष तुलना होत नाही. म्हणूनच, इम्युनोथेरपी मोनोथेरपी किंवा कॉम्बिनेशन थेरपीमधील निवड बहुतेकदा उपस्थित डॉक्टर आणि रुग्ण संयुक्तपणे करतात. सध्या, संशोधकांनी निओअ‍ॅडजुव्हंट थेरपीनंतर मेलेनोमामध्ये पॅथॉलॉजिकल रिमिशनचा अंदाज लावण्यासाठी बायोमार्कर म्हणून 10 जीन्स असलेले इंटरफेरॉन गामा (IFN गामा) वैशिष्ट्य विकसित केले आहे. निओअ‍ॅडजुव्हंट थेरपीला मजबूत किंवा कमकुवत प्रतिसाद असलेल्या रुग्णांची निवड करण्यासाठी त्यांनी या वैशिष्ट्यांना अल्गोरिथममध्ये आणखी एकत्रित केले. DONIMI नावाच्या फॉलो-अप अभ्यासात, संशोधकांनी या स्कोअरचा वापर अधिक जटिल विश्लेषणासह केला, केवळ उपचारांच्या प्रतिसादाचा अंदाज लावण्यासाठीच नाही तर कोणत्या टप्प्यातील III मेलेनोमा रुग्णांना निओअ‍ॅडजुव्हंट ICI उपचारांना प्रतिसाद वाढविण्यासाठी हिस्टोन डीएसिटायलेज इनहिबिटर (HDACi) जोडण्याची आवश्यकता आहे हे निर्धारित करण्यासाठी देखील केला.

रुग्णांकडून घेतलेले ट्यूमर मॉडेल
इन विट्रो ट्यूमर मॉडेल्समध्ये रुग्णांच्या विशिष्ट प्रतिसादांचा अंदाज घेण्याची क्षमता असते. हेमॅटोलॉजिक मॅलिग्नन्सीच्या औषध प्रतिसाद स्पेक्ट्रम विश्लेषणासाठी वापरल्या जाणाऱ्या इन विट्रो प्लॅटफॉर्मच्या विपरीत, सॉलिड ट्यूमरना त्यांच्या अद्वितीय ट्यूमर मायक्रोस्ट्रक्चर आणि ट्यूमर इम्यून इंटरॅक्शनमुळे मोठ्या आव्हानांना तोंड द्यावे लागते. साध्या ट्यूमर सेल कल्चरमध्ये या जटिल वैशिष्ट्यांची सहज प्रतिकृती तयार करता येत नाही. या प्रकरणात, रुग्णांपासून उद्भवणारे ट्यूमरसारखे अवयव किंवा अवयव चिप्स या संरचनात्मक मर्यादांची भरपाई करू शकतात, कारण ते मूळ ट्यूमर पेशी रचना जतन करू शकतात आणि रुग्णाच्या विशिष्ट पद्धतीने आयसीआय प्रतिसादांचे मूल्यांकन करण्यासाठी लिम्फॉइड आणि मायलॉइड इम्यून पेशींशी परस्परसंवादाचे अनुकरण करू शकतात, ज्यामुळे अधिक वास्तववादी त्रिमितीय वातावरणात जैविक वैशिष्ट्यांचे अधिक अचूक पुनरुत्पादन होते.

चीन आणि अमेरिकेतील अनेक यशस्वी अभ्यासांनी या नवीन हाय फिडेलिटी त्रिमितीय इन विट्रो ट्यूमर मॉडेलचा अवलंब केला आहे. निकालांवरून असे दिसून आले आहे की हे मॉडेल फुफ्फुसांचा कर्करोग, कोलन कर्करोग, स्तनाचा कर्करोग, मेलेनोमा आणि इतर ट्यूमरचा आयसीआयला होणारा प्रतिसाद प्रभावीपणे अंदाज लावू शकतात. हे या मॉडेल्सच्या भाकित कामगिरीची अधिक पडताळणी आणि मानकीकरण करण्यासाठी पाया घालते.