[论文解读] 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 0

一句话总结

作者开发了一个定量癌症-免疫循环（QCIC）模型，结合常微分方程和随机方法来模拟肾透明细胞癌（RCC）肿瘤-免疫动力学，生成虚拟患者队列，并通过药代动力学整合来优化贝伐珠单抗–阿替利珠单抗的给药方案以预测治疗效果。

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.

研究动机与目标

• 通过捕捉多区室肿瘤-免疫相互作用，推动晚期RCC的精准免疫治疗。
• 开发一个五区室的QCIC框架，将免疫生成、循环、激活、效应作用与抗原转运联系起来。
• 用临床免疫组化数据进行模型校准，以确保生物学有效性。
• 整合药代动力学以模拟药物分布并定义一个肿瘤反应指数（TRI）作为有效性度量。
• 创建一个虚拟患者队列，以探索固定剂量与自适应给药及生物标志物预测。

提出的方法

• 构建五区室的QCIC模型（骨髓/胸腺、外周血、肿瘤引流淋巴结、肿瘤微环境、淋巴管）。
• 描述每种细胞类型的八个细胞过程（来源、分化、增殖、转化、迁移、趋化、杀伤、凋亡）并给出每一项的详细方程。
• 通过迈克利斯-门吨和Hill动力学来纳入细胞因子调控，并在贝伐珠单抗敏感性下对肿瘤亚群进行竞争性动力学建模。
• 通过文献引导、可行性范围与临床数据拟合来校准164个参数；进行敏感性分析以建立虚拟患者队列。
• 整合两区室药代动力学模型用于阿替利珠单抗和贝伐珠单抗，设定三周一次的冲击给药并进行参数随机抽样以反映异质性。
• 定义肿瘤反应指数（TRI）以量化肿瘤负荷变化，并使用类似RECIST的阈值对响应进行分类。

实验结果

研究问题

• RQ1 QCIC如何校准以反映RCC免疫异质性并预测治疗结果？
• RQ2 哪些给药策略（固定剂量与自适应）在虚拟RCC患者中可优化联合治疗效果？
• RQ3 在QCIC框架内哪些肿瘤生物标志物会成为预测因子？
• RQ4 基于QCIC 的虚拟患者在多大程度上能够再现临床免疫基因组学数据与短期结局？
• RQ5 是否可以整合PK变异来个性化贝伛珠单抗–阿替利珠单抗治疗？

主要发现

• QCIC模型在安慰剂、单用阿替利珠单抗以及联合治疗三种情形下再现了临床短期结局指标，且落在95%置信区间内。
• 虚拟患者（每组10,000人；分析时抽取100人）基于TRI的预测与类似RECIST的分类在各治疗组中一致。
• 敏感性分析识别出影响晚期与早期免疫细胞动力学的关键免疫异质性参数，从而指导虚拟患者生成。
• 药代动力学建模显示中心与外周药物浓度存在异质性，与群体PK数据一致，便于个性化暴露评估。
• 该框架支持对虚拟队列进行分层以评估固定剂量与自适应给药策略的有效性。
• 仿真输出（如圆形蜘蛛图与瀑布图）显示虚拟患者的长期治疗反应。
• JS与KL散度表明虚拟队列在CD8/CD4、CD4/Treg、Treg/TAM等分布上与免疫基因组学数据的分布高度一致。