[論文レビュー] Quantitative cancer-immunity cycle modeling to optimize bevacizumab and atezolizumab combination therapy for advanced renal cell carcinoma

Lei Du, Chenghang Li+1 more|arXiv (Cornell University)|Jan 25, 2026

Cancer Immunotherapy and Biomarkers被引用数 0

ひとこと要約

著者らは、定量的 Cancer-Immunity Cycle（QCIC）モデルをODEと確率的方法を組み合わせて、RCCの腫瘍-免疫動態をシミュレーションし、仮想患者コホートを生成し、PK統合を用いて bevacizumab–atezolizumab の投与量を最適化し、治療有効性を予測します。

ABSTRACT

The incidence of advanced renal cell carcinoma(RCC) has been rising, presenting significant challenges due to the limited efficacy and severe side effects of traditional radiotherapy and chemotherapy. While combination immunotherapies show promise, optimizing treatment strategies remains difficult due to individual heterogeneity. To address this, we developed a Quantitative Cancer-Immunity Cycle (QCIC) model that integrates ordinary differential equations with stochastic modelling to quantitatively characterize and predict tumor evolution in patients with advanced RCC. By systematically integrating quantitative systems pharmacology principles with biological mechanistic knowledge, we constructed a virtual patient cohort and calibrated the model parameters using clinical immunohistochemistry data to ensure biological validity. To enhance predictive performance, we coupled the model with pharmacokinetic equations and defined the Tumor Response Index (TRI) as a quantitative metric of efficacy. Systematic analysis of the QCIC model allowed us to determine an optimal treatment regimen for the combination of bevacizumab and atezolizumab and identify tumor biomarkers with clinical predictive value. This study provides a theoretical framework and methodological support for precision medicine in the treatment of advanced RCC.

研究の動機と目的

• 高度な RCC における腫瘍-免疫相互作用を複数の区画に渡って捉え、精密免疫療法を動機付ける。
• 免疫生成、循環、活性化、エフェクター作用、抗原輸送を結ぶ五区画 QCIC フレームワークを開発する。
• 生物学的妥当性を確保するため、臨床的免疫組織化学データでモデルを較正する。
• 薬物動態を統合して薬物分布をシミュレートし、治療効果指標として腫瘍反応指数（TRI）を定義する。
• 固定用量と適応投与量の比較を通じて仮想患者コホートを作成し、バイオマーカー予測を検討する。

提案手法

• 骨髄/胸腺、末梢血、腫瘍流出リンパ節、腫瘍微環境、リンパ系血管の五区画 QCIC モデルを構築する。
• 各細胞種についてソース、分化、増殖、形質転換、移動、走化、殺傷、アポトーシスの八つの細胞プロセスを、各々の詳細な方程式とともに記述する。
• サイトカイン調節を Michaelis–Menten および Hill 動力学で組み込み、ベバシズマブ感受性下で競合動態を持つ腫瘍サブポピュレーションをモデル化する。
• 文献ガイダンス、妥当性範囲、臨床データ適合によって164パラメータを較正し、感度解析を実施して仮想患者コホートを構築する。
• ベタゾリズマブとベバシズマブの二室薬物動態モデルを組み込み、3週間間隔でインパルス投与を行い、ばらつきを反映するランダムパラメータサンプリングを実施する。
• 腫瘍負荷の変化を定量化する腫瘍反応指数（TRI）を定義し、RECIST様の閾値で反応を分類する。

実験結果

リサーチクエスチョン

• RQ1 QCICを RCC の免疫ヘテロ geneity に合わせて較正し、治療アウトカムを予測できるか。
• RQ2 仮想 RCC 患者において、固定投与と適応投与のどちらの投与戦略が組み合わせ療法の有効性を最適化するか。
• RQ3 QCIC フレームワーク内でどの腫瘍バイオマーカーが予測的に現れるか。
• RQ4 QCIC に基づく仮想患者は臨床的免疫ゲノムデータと短期アウトカムをどれだけ再現できるか。
• RQ5 PK 変動を組み込んで bevacizumab–atezolizumab 治療を個別化できるか。

主な発見

• QCICモデルは、プラセボ、アテゾリズマブ単独、組み合わせ療法の短期アウトカムの臨床指標を95%信頼区間内で再現する。
• 仮想患者（グループあたり10,000人、分析サンプル100人） はTRIベースの予測を生成し、治療間でRECIST様分類と整合する。
• 感度解析は、後期・初期段階の免疫細胞動態に影響する重要な免疫ヘテロゲネシティパラメータを特定し、仮想患者生成の指針となる。
• 薬物動態モデリングは、中心部と末梢部の薬剤濃度の個体差を population PK データと整合して示し、個別化曝露評価を可能にする。
• このフレームワークは、仮想コホートを用いた固定投与対適応投与戦略の層別化と評価をサポートする。
• シミュレーション出力（円形のスパイダープロットやウォーターフォールプロットなど）は、仮想患者の長期的な治療反応を示す。
• JSおよびKLの情報量発散は、仮想コホートが免疫ゲノムデータのCD8/CD4、CD4/Treg、Treg/TAMの分布と良く一致することを示す。