2847名患者、124万单细胞：GI-ImmunoWorld用数字孪生模拟肿瘤免疫反应，探索治疗优化

肿瘤免疫治疗研究中，我们经常用治疗前的一次检测，预测患者之后是否获益。

但免疫微环境会随治疗变化：巨噬细胞的状态可能转移，T细胞浸润可能增加，原有的免疫抑制环境也可能发生调整。

如果模型能够学习这些变化，预测不同治疗下的免疫轨迹，就有机会进一步比较治疗方案与干预时机。

这篇发表于Cyborg and Bionic Systems的研究，提出了GI-ImmunoWorld：一个围绕肿瘤相关巨噬细胞构建的深度生成模型，将单细胞、空间免疫表型和临床轨迹整合为“免疫数字孪生”。

这篇研究尝试把免疫治疗建模推进到三个相连的任务：描述当前免疫状态、预测治疗后的变化，再比较模型中的候选干预策略。

文献信息

为什么把巨噬细胞放在模型中心？

肿瘤相关巨噬细胞（TAMs）具有较强的状态可塑性，与炎症反应、免疫抑制及治疗结局有关。

本研究使用M1样与M2样相关特征表征极化状态，并结合其他细胞、空间分布和临床信息，描述患者的免疫环境。这里的M1样、M2样是分析维度，真实巨噬细胞状态仍然具有连续性和异质性。

作者希望模型回答一个更动态的问题：在当前免疫状态下，给定一种治疗，之后可能出现怎样的变化？

有了这种预测，模型再尝试寻找更有利的干预序列。整个过程的效果，取决于状态表示、时间预测和候选策略评估是否可靠。

文章摘要

作者报告整合2847名患者、5类消化系统肿瘤的数据，其中单细胞部分包含约124万个细胞，同时纳入空间免疫表型及临床轨迹。

GI-ImmunoWorld通过变分表示学习整合多模态信息，利用图注意力网络提取单细胞特征，以Transformer预测治疗条件下的免疫状态变化，再通过模型预测控制搜索候选干预策略。

在报告的测试分析中，完整模型预测治疗反应的AUROC为0.847，高于组合传统生物标志物的0.692。消融分析提示，多模态、时间预测和极化相关模块均对表现有贡献。

文中还报告156例治疗建议不一致病例的探索性比较，模型指导组具有较高反应率和较长生存。由于分组并非随机，这些结果主要用于提出临床验证假说，尚不能确立模型改善疗效的因果作用。

材料与方法

2847人是主队列规模，1423人是单细胞覆盖子集，不能理解为每位患者都具有完整多模态数据。

研究结果

数字孪生把状态表示、时间预测和策略搜索连接起来

GI-ImmunoWorld首先把不同数据压缩到共享潜在空间，再根据治疗动作预测未来状态，最后搜索候选治疗策略。

这个设计中的“数字孪生”，是对患者免疫状态及变化的计算表示。

作者希望潜在空间能够关联巨噬细胞极化、CD8⁺T细胞浸润和细胞因子等特征，使后续预测具有一定的生物学解释。

模型表示是否准确，是后续模拟与优化的基础。如果当前状态估计有偏差，后面的治疗轨迹也会受到影响。

治疗动作成为时间预测的一部分

时间模块将既往免疫状态与治疗动作一起输入，预测下一时点的状态分布；优化模块则比较不同候选序列在模型中的预期表现。

策略评价同时考虑治疗反应、TAM相关变化、毒性和生存目标。因此，模型寻找的是满足预设目标的候选方案，其结果也受到目标权重和可选治疗范围的影响。

文中使用“causal transformer”这一术语，具体涉及防止读取未来时点的注意力遮罩。这种时间约束有助于避免未来信息泄漏，本身并不构成治疗效应的因果识别。

单细胞与空间信息共同进入患者表示

单细胞编码器先依据表达相似性建立邻居图，再使用图注意力网络提取特征；空间与临床信息经过各自编码器后，通过跨模态注意力融合。

TAM相关表达和极化特征在这一过程中受到重点关注。模型试图同时保留细胞状态、局部空间环境和患者临床背景。

这里的单细胞邻居图主要反映转录相似性，空间邻近则由组织测量提供。两者代表不同信息，解释模型时需要区分。

多模态融合的价值，最终要通过可重复的预测提升和生物学对应关系来检验。

完整模型表现较好，时间和多模态模块均有贡献

研究给出了从数据处理到训练、验证的整体流程，并报告治疗反应、生存预测及消融结果。

在427例测试患者中，完整模型治疗反应预测的AUROC为0.847，95%置信区间为0.812–0.878。

主要报告结果如下：

完整模型还报告了0.786的生存预测C-index。文中的时间预测检验显示，预测与观察到的潜在轨迹具有较高相关性。

消融结果支持各模块对预测表现的贡献。不过，主表中的比较方法使用不同输入，完整模型的优势同时包含额外数据的信息价值，不能全部归因于网络结构。

巨噬细胞状态与空间分布，提供生物学解释线索

作者结合单细胞与多重免疫组化，描述不同肿瘤中的TAM异质性，并关注其与CD8⁺T细胞的空间关系。

研究报告6类具有不同极化特征的TAM亚群。M2/M1相关比值较高，与较低治疗反应率及较短无进展生存相关；TAM与CD8⁺T细胞的空间关系也与反应存在关联。

这一部分让模型关注的对象更加具体：不仅是一个免疫细胞比例，还包括细胞状态、局部位置及其随时间的变化。

这些关联为模型解释提供依据，但仍需要针对性研究检验其中的机制。

治疗优化出现积极信号，临床效用仍需随机验证

在模型建议与医生初始方案不一致的156例病例中，作者比较了模型指导组和标准组，并展示部分影像与免疫表型变化。

文中报告：

部分配对材料还呈现TAM极化相关特征与CD8⁺T细胞浸润的改变。

但需要注意，正文对这部分分析同时使用了“前瞻部署”和“时间留出回顾性模拟”等表述。方法部分明确强调其探索性、非随机设计，因此适合按观察性治疗比较解读。

医生是否采用模型建议，可能与患者状态、可用治疗和其他因素有关。即使进行了统计调整，仍不能排除未测量混杂。

模型能够预测结局，与使用模型能够改善结局，是两项不同的验证任务。这里的治疗比较提供了进一步研究的线索，临床效用仍需前瞻性随机试验确认。

对做课题的人，有哪些启发？

动态问题，需要与之匹配的纵向数据。

研究免疫状态如何变化，首先要有可靠的时间点、治疗记录和重复测量。单细胞数量再多，也不能替代患者层面的纵向观察。

对于类似课题，值得先核对患者—样本—时间点—治疗之间的对应关系，再决定模型结构。

增加模态和改进算法，要分别评估。

单细胞、空间和临床资料可能提供互补信息，但完整模型比单模态基线表现好，并不能单独说明架构更优。

固定输入的比较、模块消融和独立队列检验，能够帮助判断性能提升来自哪里。

资源有限时，可以先验证一个明确的动态终点。

例如，聚焦某一癌种，检查TAM状态与治疗反应的关系；有重复测量时，再尝试预测下一时点的免疫变化。

逐步建立可靠的状态定义和时间预测，能为后续策略优化提供更扎实的基础。临床方案推荐需要更高等级的验证，适合在前面的任务通过检验后继续推进。

总结

GI-ImmunoWorld将多模态表示、免疫时间预测和治疗策略搜索放进同一个框架，探索肿瘤免疫数字孪生的应用。

研究报告了较好的预测表现，也提供了治疗优化的探索性信号。理解这些结果时，需要同时关注患者层面的数据覆盖、比较方法的输入，以及非随机治疗分析的证据边界。

有价值的免疫数字孪生，需要依次经得起状态测量、时间预测和真实干预结局的检验。

参考文献

Zhou L, Tan Y, Lv W, et al. Deep Generative Model of Macrophage Immune Response for Hepato-intestinal Tumor Therapy Optimization. Cyborg Bionic Syst. 2026;7:0559. doi:10.34133/cbsystems.0559.

• PubMed论文记录：https://pubmed.ncbi.nlm.nih.gov/42644119/
• 期刊正式发表版本：https://spj.science.org/doi/10.34133/cbsystems.0559
• PMC开放全文：https://pmc.ncbi.nlm.nih.gov/articles/PMC13505573/
• Europe PMC全文XML：https://www.ebi.ac.uk/europepmc/webservices/rest/PMC13505573/fullTextXML
• SciOpen论文页面：https://www.sciopen.com/article/10.34133/cbsystems.0559
• DOI链接：https://doi.org/10.34133/cbsystems.0559
• 文中列出的GEO数据GSE149614：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE149614
• 文中列出的GEO数据GSE144735：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE144735
• 文中列出的GEO数据GSE146771：https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE146771
• 本文配图的PMC官方云端资源清单：https://pmc-oa-opendata.s3.amazonaws.com/PMC13505573.1/PMC13505573.1.json

代码与复现材料：作者说明代码、预训练模型和合成示例数据位于补充材料；完整临床结果复现涉及患者级数据权限。实际复现时，仍需核对各模态、纵向记录及患者关联的获取条件。