[논문 리뷰] Quantitative cancer-immunity cycle modeling to optimize bevacizumab and atezolizumab combination therapy for advanced renal cell carcinoma

Lei Du, Chenghang Li외 1명|arXiv (Cornell University)|2026. 01. 25.

Cancer Immunotherapy and Biomarkers인용 수 0

한 줄 요약

저자들은 ODE와 확률적 방법을 결합한 정량적 암-면역 주기(QCIC) 모델을 개발하여 RCC 종양-면역 다이내믹스를 시뮬레이션하고, 가상 환자 코호트를 생성하며, PK 통합을 통한 베바시주맙-아테졸리주맙 용량을 최적화하여 치료 효능을 예측한다.

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.

연구 동기 및 목표

• 고급 RCC에서 종양-면역 상호작용을 다중 구획으로 포착하여 정밀 면역치료를 촉진한다.
• 면역 생성, 순환, 활성화, 효과 작용 및 항원 운반을 연결하는 다섯 구획 QCIC 프레임워크를 개발한다.
• 생물학적 타당성을 확보하기 위해 임상 면역조직화학 데이터를 이용해 모델을 보정한다.
• 약동학을 통합하여 약물 분포를 시뮬레이션하고 종양 반응 지수(TRI)를 효능 지표로 정의한다.
• 고정 용량 대 적응 용량 및 생물표지자 예측을 탐색하기 위한 가상 환자 코호트를 생성한다.

제안 방법

• 다섯 구획 QCIC 모델(골수/흉선, 말초혈액, 종양 유래 림프절, 종양 미세환경, 림프관)을 구성한다.
• 각 세포 종류에 대해 8가지 세포 과정(원천, 분화, 증가, 전환, 이동, 화학주성, 살해, 아포토시스)을 상세한 방정식으로 기술한다.
• Michaelis–Menten 및 Hill 동역학에 의한 사이토카인 조절을 통합하고 베바시주맙 민감도 하에서 종양 아형을 경쟁적 역학으로 모델링한다.
• 문헌 가이드라인, 타당성 범위, 임상 데이터 적합을 통해 164개 매개변수를 보정하고 민감도 분석을 수행하여 가상 환자 코호트를 구축한다.
• 베타리주맙과 베바시주맙에 대한 2구획 약동학 모델을 적용하고 3주 간격 임펄스 용량 및 이질성을 반영하기 위한 임의 매개변수 샘플링을 수행한다.
• 종양 반응 지수(TRI)를 정의하여 종양 부담 변화량을 정량화하고 RECIST-유사 임계값으로 반응을 분류한다.

실험 결과

연구 질문

• RQ1 QCIC를 RCC 면역 이질성을 반영하고 치료 결과를 예측하도록 보정할 수 있는가?
• RQ2 가상 RCC 환자에서 어떤 용량 전략(고정 대 적응)이 조합 치료 효능을 최적화하는가?
• RQ3 어떤 종양 생물표지자가 QCIC 프레임워크 내에서 예측적으로 나타나는가?
• RQ4 QCIC 기반 가상 환자가 임상 면역유전체 데이터 및 단기 결과를 얼마나 잘 재현하는가?
• RQ5 PK 변동성을 통합하여 베바시주맙-아테졸리주맙 치료를 개인화할 수 있는가?

주요 결과

• QCIC 모델은 위약, 단독 아테졸리주맙, 조합 치료의 단기 결과를 임상 지표와 95% 신뢰 구간 내에서 재현한다.
• 가상 환자(그룹당 10,000명; 분석 샘플링 100명)에서 TRI 기반 예측이 치료 간 RECIST-유사 분류와 일치한다.
• 민감도 분석은 늦은 단계 및 초기 단계의 면역 세포 역학에 영향을 미치는 주요 면역 이질성 매개변수를 식별하고 가상 환자 생성을 안내한다.
• 약동학 모델링은 중심부 및 말초 약물 농도의 이질성을 Population PK 데이터와 일치하게 보여 개인화된 노출 평가를 가능하게 한다.
• 가상 코호트를 사용한 고정 용량 대 적응 용량 전략의 평가 및 분류에 이 프레임워크가 도움을 준다.
• 시뮬레이션 출력(원형 스파이더 도표 및 낙차 도표 등)은 가상 환자의 장기 치료 반응을 보여준다.
• JS 및 KL 발산은 가상 코호트가 면역유전 데이터의 CD8/CD4, CD4/Treg, Treg/TAM 분포를 밀접하게 일치시킨다는 것을 시사한다.