berita

Imunoterapi telah membawa perubahan revolusioner dalam pengobatan tumor ganas, tetapi masih terdapat beberapa pasien yang belum mendapatkan manfaat. Oleh karena itu, biomarker yang tepat sangat dibutuhkan dalam aplikasi klinis untuk memprediksi efektivitas imunoterapi, guna memaksimalkan efikasi dan menghindari toksisitas yang tidak perlu.

Biomarker yang disetujui FDA

Ekspresi PD-L1. Evaluasi tingkat ekspresi PD-L1 dengan imunohistokimia (IHK) menghasilkan skor proporsi tumor (TPS), yaitu persentase sel tumor yang terwarnai sebagian atau seluruhnya oleh membran dengan intensitas berapa pun dalam sel tumor yang bertahan hidup. Dalam uji klinis, tes ini berfungsi sebagai tes diagnostik tambahan untuk pengobatan kanker paru non-sel kecil (KKPSK) stadium lanjut dengan pembrolizumab. Jika TPS sampel ≥ 1%, ekspresi PD-L1 dipertimbangkan; TPS ≥ 50% menunjukkan ekspresi PD-L1 yang tinggi. Dalam uji coba Fase 1 awal (KEYNOTE-001), tingkat respons pasien dalam subkelompok PD-L1 TPS>50% yang menggunakan pembrolizumab adalah 45,2%, sementara terlepas dari TPS, tingkat respons semua pasien yang menerima pengobatan inhibitor titik pemeriksaan imun (KPI) ini adalah 19,4%. Uji coba fase 2/3 berikutnya (KEYNOTE-024) secara acak menugaskan pasien dengan PD-L1 TPS>50% untuk menerima pembrolizumab dan kemoterapi standar, dan hasilnya menunjukkan peningkatan yang signifikan dalam kelangsungan hidup keseluruhan (OS) pada pasien yang menerima pengobatan pembrolizumab.

Namun, penerapan PD-L1 dalam memprediksi respons ICI dibatasi oleh berbagai faktor. Pertama, ambang batas optimal untuk berbagai jenis kanker bervariasi. Misalnya, Pabolizumab dapat digunakan ketika ekspresi PD-L1 tumor pada pasien kanker lambung, kanker esofagus, kanker kandung kemih, dan kanker paru-paru masing-masing adalah 1%, 10%, dan 50%. Kedua, mengevaluasi populasi sel ekspresi PD-L1 bervariasi tergantung pada jenis kanker. Misalnya, pengobatan karsinoma sel skuamosa rekuren atau metastasis pada kepala dan leher dapat memilih untuk menggunakan metode pengujian lain yang disetujui FDA, Skor Positif Komprehensif (CPS). Ketiga, hampir tidak ada korelasi antara ekspresi PD-L1 pada berbagai kanker dan respons ICI, yang menunjukkan bahwa latar belakang tumor mungkin menjadi faktor kunci dalam memprediksi biomarker ICI. Misalnya, menurut hasil uji CheckMate-067, nilai prediksi negatif ekspresi PD-L1 pada melanoma hanya 45%. Akhirnya, berbagai penelitian telah menemukan bahwa ekspresi PD-L1 tidak konsisten di berbagai lesi tumor pada satu pasien, bahkan dalam tumor yang sama. Singkatnya, meskipun uji klinis awal NSCLC mendorong penelitian tentang ekspresi PD-L1 sebagai biomarker prediktif yang potensial, kegunaan klinisnya pada berbagai jenis kanker masih belum jelas.

Beban mutasi tumor. Beban Mutasi Tumor (TMB) telah digunakan sebagai indikator alternatif imunogenisitas tumor. Berdasarkan hasil uji klinis KEYNOTE-158, di antara 10 jenis tumor padat lanjut yang diobati dengan pembrolizumab, pasien dengan setidaknya 10 mutasi per megabasa (TMB tinggi) memiliki tingkat respons yang lebih tinggi dibandingkan dengan TMB rendah. Perlu dicatat bahwa dalam penelitian ini, TMB merupakan prediktor PFS, tetapi tidak dapat memprediksi OS.

Respons terapi imun terutama didorong oleh pengenalan sel T terhadap antigen baru. Imunogenisitas yang terkait dengan TMB yang lebih tinggi juga bergantung pada berbagai faktor, termasuk neoantigen tumor yang disajikan oleh tumor; Sistem imun mengenali neoantigen tumor; Kemampuan host untuk memulai respons spesifik antigen. Misalnya, data menunjukkan bahwa tumor dengan infiltrasi tertinggi beberapa sel imun sebenarnya mungkin memiliki amplifikasi klon sel T regulator inhibitor (Treg). Selain itu, kisaran TMB mungkin berbeda dari potensi neoantigen TMB, karena lokasi mutasi yang tepat juga memainkan peran penting; Mutasi yang memediasi jalur presentasi antigen yang berbeda dapat memengaruhi presentasi (atau nonpresentasi) antigen baru ke sistem imun, yang menunjukkan bahwa karakteristik intrinsik dan imunologis tumor harus konsisten untuk menghasilkan respons ICI yang optimal.

Saat ini, TMB diukur melalui sequencing generasi berikutnya (NGS), yang dapat bervariasi di antara berbagai institusi (internal) atau platform komersial yang digunakan. NGS mencakup whole exome sequencing (WES), whole genome sequencing, dan targeted sequencing, yang dapat diperoleh dari jaringan tumor dan DNA tumor yang bersirkulasi (ctDNA). Perlu dicatat bahwa berbagai jenis tumor memiliki rentang TMB yang luas, dengan tumor imunogenik seperti melanoma, NSCLC, dan karsinoma sel skuamosa yang memiliki kadar TMB tertinggi. Demikian pula, metode deteksi yang dirancang untuk berbagai jenis tumor memiliki definisi nilai ambang TMB yang berbeda. Dalam studi NSCLC, melanoma, karsinoma urotelial, dan kanker paru sel kecil, metode deteksi ini menggunakan metode analisis yang berbeda (seperti deteksi WES atau PCR untuk jumlah gen terkait tertentu) dan ambang batas (TMB tinggi atau TMB rendah).

Mikrosatelit sangat tidak stabil. Mikrosatelit sangat tidak stabil (MSI-H), sebagai biomarker kanker pan untuk respons ICI, memiliki kinerja yang sangat baik dalam memprediksi efikasi ICI pada berbagai kanker. MSI-H merupakan hasil dari cacat perbaikan ketidakcocokan (dMMR), yang menyebabkan tingkat mutasi yang tinggi, terutama di daerah mikrosatelit, sehingga menghasilkan sejumlah besar antigen baru dan akhirnya memicu respons imun klonal. Karena beban mutasi yang tinggi yang disebabkan oleh dMMR, tumor MSI-H dapat dianggap sebagai jenis tumor dengan beban mutasi tinggi (TMB). Berdasarkan hasil uji klinis KEYNOTE-164 dan KEYNOTE-158, FDA telah menyetujui pembrolizumab untuk pengobatan tumor MSI-H atau dMMR. Ini adalah salah satu obat kanker pan pertama yang disetujui oleh FDA yang didorong oleh biologi tumor, bukan histologi.

Meskipun keberhasilannya signifikan, terdapat pula beberapa hal yang perlu diperhatikan saat menggunakan status MSI. Misalnya, hingga 50% pasien kanker kolorektal dMMR tidak menunjukkan respons terhadap pengobatan ICI, yang menyoroti pentingnya fitur lain dalam memprediksi respons. Fitur intrinsik tumor lainnya yang tidak dapat dievaluasi oleh platform deteksi saat ini mungkin menjadi faktor penyebabnya. Misalnya, terdapat laporan bahwa pasien dengan mutasi pada gen yang mengkode subunit katalitik penting polimerase delta (POLD) atau polimerase ε (POLE) di wilayah DNA tidak memiliki fidelitas replikasi dan menunjukkan fenotipe "super mutasi" pada tumor mereka. Beberapa tumor ini memiliki ketidakstabilan mikrosatelit yang meningkat secara signifikan (sehingga tergolong MSI-H), tetapi tidak kekurangan protein perbaikan ketidakcocokan (sehingga bukan dMMR).

Selain itu, mirip dengan TMB, MSI-H juga dipengaruhi oleh tipe antigen baru yang dihasilkan oleh ketidakstabilan mikrosatelit, pengenalan host terhadap tipe antigen baru, dan responsivitas sistem imun host. Bahkan pada tumor tipe MSI-H, sejumlah besar mutasi nukleotida tunggal telah diidentifikasi sebagai mutasi penumpang (non driver mutations). Oleh karena itu, hanya mengandalkan jumlah mikrosatelit yang diidentifikasi dalam tumor tidaklah cukup; Jenis mutasi yang sebenarnya (diidentifikasi melalui profil mutasi spesifik) dapat meningkatkan kinerja prediktif biomarker ini. Selain itu, hanya sebagian kecil pasien kanker yang termasuk dalam tumor MSI-H, yang menunjukkan kebutuhan saat ini untuk biomarker yang dapat diterapkan secara lebih luas. Oleh karena itu, mengidentifikasi biomarker efektif lainnya untuk memprediksi efikasi dan memandu manajemen pasien tetap menjadi area penelitian yang penting.

Penelitian biomarker berbasis organisasi

Mengingat mekanisme kerja ICI adalah membalikkan supresi sel imun, alih-alih secara langsung menargetkan jalur intrinsik sel tumor, penelitian lebih lanjut perlu berfokus pada analisis sistematis lingkungan pertumbuhan tumor dan interaksi antara sel tumor dan sel imun, yang dapat membantu menjelaskan faktor-faktor yang memengaruhi respons ICI. Banyak kelompok penelitian telah mempelajari fitur tumor atau imun dari jenis jaringan tertentu, seperti fitur mutasi gen tumor dan imun, defisit presentasi antigen tumor, atau pusat atau agregat imun multiseluler (seperti struktur limfoid tersier), yang dapat memprediksi respons terhadap imunoterapi.

Para peneliti menggunakan NGS untuk mengurutkan tumor dan eksom imun dan transkriptom jaringan pasien sebelum dan sesudah pengobatan ICI, dan melakukan analisis pencitraan spasial. Dengan menggunakan beberapa model terintegrasi, dikombinasikan dengan teknik seperti pengurutan sel tunggal dan pencitraan spasial, atau model multi omik, kemampuan prediktif hasil pengobatan ICI telah ditingkatkan. Selain itu, metode komprehensif untuk mengevaluasi sinyal imun tumor dan karakteristik tumor intrinsik juga telah menunjukkan kemampuan prediktif yang lebih kuat. Misalnya, metode pengurutan batch komprehensif yang secara bersamaan mengukur karakteristik tumor dan imun lebih unggul daripada variabel analitis tunggal. Hasil ini menyoroti perlunya simulasi efikasi ICI dengan cara yang lebih komprehensif, termasuk menggabungkan hasil evaluasi kapasitas imun inang, karakteristik tumor intrinsik, dan komponen imun tumor ke dalam masing-masing pasien untuk lebih baik memprediksi pasien mana yang akan merespons imunoterapi.

Mengingat kompleksitas penggabungan faktor tumor dan inang dalam penelitian biomarker, serta potensi kebutuhan integrasi longitudinal fitur mikrolingkungan imun, para peneliti telah mulai mengeksplorasi biomarker menggunakan pemodelan komputer dan pembelajaran mesin. Saat ini, beberapa pencapaian penelitian inovatif telah muncul di bidang ini, yang menunjukkan masa depan onkologi personalisasi yang dibantu oleh pembelajaran mesin.

Tantangan yang dihadapi oleh biomarker berbasis jaringan

Keterbatasan metode analisis. Beberapa biomarker yang bermakna menunjukkan kinerja yang baik pada jenis tumor tertentu, tetapi belum tentu pada jenis tumor lainnya. Meskipun fitur gen spesifik tumor memiliki kemampuan prediktif yang lebih kuat daripada TMB dan lainnya, fitur tersebut tidak dapat digunakan untuk mendiagnosis semua tumor. Dalam sebuah studi yang menargetkan pasien NSCLC, fitur mutasi gen ditemukan lebih prediktif terhadap efikasi ICI dibandingkan TMB tinggi (≥ 10), tetapi lebih dari separuh pasien tidak dapat mendeteksi fitur mutasi gen.

Heterogenitas tumor. Metode biomarker berbasis jaringan hanya mengambil sampel dari satu lokasi tumor, yang berarti evaluasi bagian tumor tertentu mungkin tidak secara akurat mencerminkan ekspresi keseluruhan semua tumor pada pasien. Sebagai contoh, penelitian telah menemukan heterogenitas ekspresi PD-L1 antar dan di dalam tumor, dan masalah serupa juga terdapat pada penanda jaringan lainnya.

Karena kompleksitas sistem biologis, banyak biomarker jaringan yang sebelumnya digunakan mungkin terlalu disederhanakan. Selain itu, sel-sel dalam lingkungan mikro tumor (TME) biasanya bergerak, sehingga interaksi yang ditampilkan dalam analisis spasial mungkin tidak mewakili interaksi sebenarnya antara sel tumor dan sel imun. Sekalipun biomarker idealnya dapat mewakili keseluruhan lingkungan tumor pada titik waktu tertentu, target ini masih dapat diinduksi dan berubah secara dinamis seiring waktu, yang menunjukkan bahwa satu snapshot pada suatu titik waktu mungkin tidak mewakili perubahan dinamis dengan baik.

Heterogenitas pasien. Meskipun perubahan genetik yang diketahui terkait resistensi ICI terdeteksi, beberapa pasien yang membawa biomarker resistensi yang diketahui mungkin masih mendapatkan manfaat, kemungkinan karena heterogenitas molekuler dan/atau imun di dalam tumor dan di lokasi tumor yang berbeda. Misalnya, defisiensi β2-mikroglobulin (B2M) dapat mengindikasikan resistensi obat baru atau yang didapat, tetapi karena heterogenitas defisiensi B2M antar individu dan di dalam tumor, serta interaksi mekanisme penggantian pengenalan imun pada pasien ini, defisiensi B2M mungkin tidak secara signifikan memprediksi resistensi obat individu. Oleh karena itu, meskipun terdapat defisiensi B2M, pasien mungkin masih mendapatkan manfaat dari terapi ICI.

Biomarker longitudinal berbasis organisasi
Ekspresi biomarker dapat berubah seiring waktu dan dengan dampak pengobatan. Penilaian statis dan tunggal terhadap tumor dan imunobiologi dapat mengabaikan perubahan ini, dan perubahan TME tumor serta tingkat respons imun inang juga dapat diabaikan. Berbagai penelitian telah menunjukkan bahwa pengambilan sampel sebelum dan selama pengobatan dapat mengidentifikasi perubahan terkait pengobatan ICI secara lebih akurat. Hal ini menyoroti pentingnya penilaian biomarker dinamis.

Biomarker berbasis darah
Keunggulan analisis darah terletak pada kemampuannya untuk mengevaluasi secara biologis semua lesi tumor individual, yang mencerminkan pembacaan rata-rata alih-alih pembacaan lokasi spesifik, sehingga sangat cocok untuk mengevaluasi perubahan dinamis terkait pengobatan. Sejumlah hasil penelitian telah menunjukkan bahwa penggunaan DNA tumor bersirkulasi (ctDNA) atau sel tumor bersirkulasi (CTC) untuk mengevaluasi penyakit residu minimal (MRD) dapat memandu keputusan pengobatan, tetapi tes ini memiliki informasi terbatas dalam memprediksi apakah pasien dapat memperoleh manfaat dari imunoterapi seperti ICI. Oleh karena itu, pengujian ctDNA perlu dikombinasikan dengan metode lain untuk mengukur aktivasi imun atau kapasitas imun inang. Dalam hal ini, kemajuan telah dicapai dalam imunofenotipe sel mononuklear darah perifer (PBMC) dan analisis proteomik vesikel ekstraseluler dan plasma. Misalnya, subtipe sel imun perifer (seperti sel T CD8+), ekspresi molekul titik pemeriksaan imun yang tinggi (seperti PD1 pada sel T CD8+ perifer), dan peningkatan kadar berbagai protein dalam plasma (seperti CXCL8, CXCL10, IL-6, IL-10, PRAP1, dan VEGFA) dapat berfungsi sebagai suplemen efektif untuk ko-biomarker dinamis ctDNA. Keuntungan metode baru ini adalah dapat mengevaluasi perubahan di dalam tumor (serupa dengan perubahan yang dideteksi oleh ctDNA) dan juga dapat mengungkapkan perubahan pada sistem imun pasien.

Radiomik
Faktor prediktif data citra dapat secara efektif mengatasi keterbatasan pengambilan sampel dan biopsi biomarker jaringan, serta dapat mengamati keseluruhan tumor dan kemungkinan lokasi metastasis lainnya kapan saja. Oleh karena itu, faktor prediktif ini dapat menjadi bagian penting dari biomarker dinamis non-invasif di masa mendatang. Radiomik delta dapat menghitung secara kuantitatif perubahan beberapa fitur tumor (seperti ukuran tumor) pada berbagai titik waktu, seperti sebelum dan sesudah pengobatan ICI, selama pengobatan, dan tindak lanjut selanjutnya. Radiomik delta tidak hanya dapat memprediksi respons awal atau tidak adanya respons terhadap pengobatan dini, tetapi juga mengidentifikasi resistensi yang didapat terhadap ICI secara real-time dan memantau setiap kekambuhan setelah remisi lengkap. Model pencitraan yang dikembangkan melalui teknologi pembelajaran mesin bahkan lebih baik daripada standar RECIST tradisional dalam memprediksi respons pengobatan dan kemungkinan efek samping. Penelitian terkini menunjukkan bahwa model radiomik ini memiliki area di bawah kurva (AUC) hingga 0,8 hingga 0,92 dalam memprediksi respons terapi imun.

Keunggulan lain radiomik adalah kemampuannya untuk mengidentifikasi progresi semu secara akurat. Model radiomik yang dibangun melalui pembelajaran mesin dapat secara efektif membedakan progresi sejati dan palsu dengan mengukur ulang data CT atau PET untuk setiap tumor, termasuk faktor-faktor seperti bentuk, intensitas, dan tekstur, dengan AUC 0,79. Model radiomik ini dapat digunakan di masa mendatang untuk menghindari penghentian pengobatan dini akibat kesalahan penilaian progresi penyakit.

Mikrobiota usus
Biomarker mikrobiota usus diharapkan dapat memprediksi respons terapeutik ICI. Sejumlah penelitian telah menunjukkan bahwa mikrobiota usus spesifik berkaitan erat dengan respons berbagai jenis kanker terhadap pengobatan ICI. Misalnya, pada pasien melanoma dan kanker hati, kelimpahan bakteri Ruminococcaceae berkaitan dengan respons imunoterapi PD-1. Pengayaan Akkermansia muciniphila umum terjadi pada pasien kanker hati, kanker paru-paru, atau karsinoma sel ginjal, yang merespons pengobatan ICI dengan baik.

Selain itu, model pembelajaran mesin yang baru ini dapat bersifat independen terhadap jenis tumor dan mengaitkan genus bakteri usus tertentu dengan respons terapeutik imunoterapi. Penelitian lain juga telah mengungkap peran spesifik masing-masing kelompok bakteri dalam mengatur sistem imun inang, yang selanjutnya mengeksplorasi cara mencegah atau meningkatkan lolosnya sel kanker dari sistem imun.

Terapi neoadjuvan
Evaluasi dinamis biologi tumor dapat memandu strategi pengobatan klinis selanjutnya. Uji coba terapi neoadjuvan dapat mengevaluasi efek terapeutik melalui remisi patologis pada spesimen bedah. Dalam pengobatan melanoma, respons patologis primer (MPR) dikaitkan dengan tingkat kelangsungan hidup bebas rekurensi. Dalam uji coba PRADO, para peneliti menentukan tindakan intervensi klinis selanjutnya, seperti pembedahan dan/atau terapi adjuvan, berdasarkan data remisi patologis spesifik pasien.

Di antara berbagai jenis kanker, beberapa pilihan terapi adjuvan baru masih kurang memiliki perbandingan head to head. Oleh karena itu, pilihan antara imunoterapi monoterapi atau terapi kombinasi sering diputuskan bersama oleh dokter yang hadir dan pasien. Saat ini, para peneliti telah mengembangkan fitur interferon gamma (IFN gamma) yang mengandung 10 gen sebagai biomarker untuk memprediksi remisi patologis pada melanoma setelah terapi neoadjuvan. Mereka selanjutnya mengintegrasikan fitur-fitur ini ke dalam algoritma untuk memilih pasien dengan respons yang kuat atau lemah terhadap terapi neoadjuvan. Dalam studi lanjutan yang disebut DONIMI, para peneliti menggunakan skor ini, dikombinasikan dengan analisis yang lebih kompleks, tidak hanya untuk memprediksi respons pengobatan, tetapi juga untuk menentukan pasien melanoma stadium III mana yang memerlukan penambahan inhibitor histone deacetylase (HDACi) untuk meningkatkan respons terhadap pengobatan ICI neoadjuvan.

Model tumor yang berasal dari pasien
Model tumor in vitro berpotensi memprediksi respons spesifik pasien. Berbeda dengan platform in vitro yang digunakan untuk analisis spektrum respons obat pada keganasan hematologi, tumor padat menghadapi tantangan yang lebih besar karena mikrostruktur tumor dan interaksi imun tumornya yang unik. Kultur sel tumor sederhana tidak dapat dengan mudah mereplikasi fitur kompleks ini. Dalam hal ini, organ mirip tumor atau chip organ yang berasal dari pasien dapat mengompensasi keterbatasan struktural ini, karena dapat mempertahankan struktur sel tumor asli dan mensimulasikan interaksi dengan sel imun limfoid dan myeloid untuk mengevaluasi respons ICI secara spesifik pada pasien, sehingga mereproduksi fitur biologis secara lebih akurat dalam lingkungan tiga dimensi yang lebih realistis.

Beberapa studi terobosan di Tiongkok dan Amerika Serikat telah mengadopsi model tumor in vitro tiga dimensi fidelitas tinggi yang baru ini. Hasilnya menunjukkan bahwa model-model ini dapat secara efektif memprediksi respons kanker paru-paru, kanker usus besar, kanker payudara, melanoma, dan tumor lainnya terhadap ICI. Hal ini meletakkan dasar untuk verifikasi dan standardisasi lebih lanjut terhadap kinerja prediktif model-model ini.