小罗碎碎念参考来源Baker DJ, Frommer LM, Uslu U, et al. AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy.Cell. 2026;189(13):3871-3882.CAR-T细胞疗法就像是给人体免疫T细胞装上了“精准导航导弹”——让原本认不出癌细胞的免疫细胞能精准识别并追杀肿瘤。自问世以来它已经让很多晚期血液癌患者看到了治愈的可能。但这套“导弹系统”生效有个前提得找到合适的“靶标”。这个靶标必须满足极其苛刻的条件它要大量出现在癌细胞表面最好绝大多数癌细胞都有以避免耐药逃逸它要尽量不出现在心、脑、肺等重要器官的正常细胞上防止误伤带来严重毒性最好还已经有过相关药物研发基础能更快推进临床转化。传统的靶点发现需要专家们手动翻找一个个数据库靠经验逐个筛选耗时数年、耗费巨资最后还常常要么找错了靶要么毒性太大要么只对极个别癌症有效。这也是为什么CAR-T问世这么多年真正获批的靶点屈指可数实体瘤更是迟迟难有突破性进展。靶点稀缺已经成为制约CAR-T疗法向更广领域拓展的核心瓶颈。而2026年发表在《Cell》上的一项研究给这个行业困境带来了破局的答案来自宾夕法尼亚大学、亚琛工业大学的团队把大语言模型LLM、高分辨率单细胞图谱和公共知识库整合在一起打造出了一套AI驱动的自动化CAR-T靶点发现管线。更令人振奋的是用这套管线找到的首个核心靶点GPNMB被证实不仅对黑色素瘤有效还能覆盖白血病、结直肠癌等多种癌症真正具备了“多癌种通用疗法”的潜力。AI驱动CAR-T靶点发现框架这是整个研究的技术路线示意图分为四大核心模块数据整合整合癌细胞、正常细胞的单细胞转录组数据构建统一的癌症单细胞图谱知识增强对接UniProt、人类蛋白图谱、ProteomicsDB、Open Targets、GTEx等公开数据库为每个候选靶点补充多维度生物学特征基于推理的靶点优先级排序与提名接入GPT-4o、Claude-3.7、Gemini-2.5-Pro三款大语言模型通过千次模拟完成特征权重优化与靶点提名靶点验证通过批量测序、免疫荧光、流式细胞术等湿实验完成生物学验证。MedX知识岛在医工交叉研究中真正耗时的往往不是提出问题而是反复寻找可用数据、筛选开源代码、追踪论文资源并判断复现价值。MedX 知识岛将医学文献精读、近千条公开数据集索引、三千余个开源工具解读和公众号论文开放资源整合到同一平台。无论你正在准备课题选题、寻找医学影像数据、比较算法工具还是追踪论文中的代码与数据都可以通过分类筛选或智能问答快速获得相关线索减少无效搜索和复现试错。月卡适合短期集中查数与项目验证年卡还可解锁公众号论文库及更高的专业问答额度在校学生可申请青云计划免费体验一个月。现在注册并加入会员让每一次检索都更接近可执行的研究方案。一、AI靶点发现和传统“专家经验驱动”的筛选模式不同这套AI框架的核心逻辑是用真实生物数据打底用公开知识补全维度用大模型做理性权衡最终输出可验证、可解释的靶点排名。第一步绘制单细胞全景图找靶点的第一步是知道“癌细胞到底在表达什么”。过去研究者常用批量RNA测序就像把一整个肿瘤组织搅碎了测基因得到的是“平均水平”——你分不清哪些信号来自癌细胞哪些来自肿瘤里的免疫细胞、基质细胞。这很容易造成误判比如免疫细胞上的蛋白会被当成是癌细胞的靶点最终研发出来的CAR-T不仅杀不了肿瘤还会攻击自身免疫细胞。这一次研究团队选择了“单细胞分辨率”作为数据基础。他们整合了4套公开的皮肤癌单细胞测序数据集涵盖了基底细胞癌、鳞状细胞癌、不同分期的黑色素瘤甚至转移灶再加入健康人皮肤的参考细胞数据用Harmony算法消除不同样本之间的技术批次差异最终拼成了一张包含十多万个细胞的“皮肤癌单细胞全景图谱”。你可以把它理解成一张超高像素的肿瘤社区地图每一个细胞都清晰可辨哪些是恶性的、哪些是正常的每个细胞表达了哪些基因都一目了然。这就从根源上避免了“把路人当坏人”的误判。第二步多维度特征打分有了基因表达图谱只能初步筛选出“癌细胞里更多见”的基因。但能不能当CAR-T靶点还要看很多其他条件。研究团队对接了UniProt、人类蛋白图谱、GTEx组织表达库、临床试验数据库等6个权威公共资源给每一个候选基因都提取了四大类、共7个维度的特征并且全部量化成了分数亚细胞定位是不是在细胞表面只有在表面的蛋白才能被CAR-T细胞识别。肿瘤特异性在癌细胞里的表达占比高不高覆盖的癌细胞越多越不容易出现耐药。正常组织表达在心、脑、肺这些重要器官里表达多不多表达越低安全性越好。临床可转化性有没有相关的药物、抗体进入过临床研发基础越好推进速度越快。第三步三大模型千次投票特征都有了但每个维度该占多少权重这在过去全靠专家拍板不同专家可能给出完全不同的结果主观性很强。这一次研究团队引入了GPT-4o、Claude-3.7、Gemini-2.5-Pro三款主流大语言模型设计了一套“人机协同多模型验证”的权重优化方案首先由领域专家给出一套基础权重作为参考然后让每个大模型独立进行1000次模拟评审根据CAR-T靶点的核心标准自主调整每个特征的权重再从排名前100的基因里选出最有潜力的10个靶点并且必须给出明确的提名理由。最终的数据显示尽管三个模型的算法逻辑不同但在核心特征的重要性判断、以及Top靶点的选择上达成了高度共识。更有意思的是研究团队还做了一组对照去掉专家给的基础权重完全让大模型从零开始打分。结果Top100基因里有94个和有专家指导的结果重合Top15靶点里有12个一致。这意味着这套AI框架本身就具备很强的专业判断能力哪怕没有顶尖专家的团队也能用来做高质量的靶点筛选。最终GPNMB糖蛋白非转移性黑色素瘤蛋白B在所有模型的所有投票中成为被提名次数最多的靶点——它不仅肿瘤特异性好还具备很强的跨癌种应用潜力。二、GPNMB如何成为跨癌种的潜力靶点AI筛选出来的结果终究只是计算预测。它到底靠不靠谱GPNMB真的能成为一个好的CAR-T靶点吗研究团队用了一整套实验从分子、细胞到动物模型完成了完整的验证。AI找的靶点真的靠谱吗研究团队首先用三种不同的技术验证了AI提名的Top靶点在黑色素瘤中的真实表达情况转录层面TCGA黑色素瘤数据显示GPNMB、ERBB3、IGF1R等靶点在肿瘤组织中的表达量显著高于正常皮肤。蛋白定位免疫荧光染色证实这些蛋白确实存在于黑色素瘤细胞的细胞膜上。表面表达非透化流式细胞术进一步确认这些靶点暴露在细胞表面能够被抗体识别。作为对比研究团队还专门测试了“用批量测序数据AI”的效果。批量数据筛选出的Top100靶点和单细胞筛选的结果只有21个重合Top15靶点里更是只有2个相同。批量数据甚至把T细胞上的TIGIT、CTLA4这些免疫标志物都当成了肿瘤靶点——如果真按这个结果去研发必然会彻底失败。这不仅证明了这套AI靶点发现框架的可靠性更坐实了“单细胞分辨率是CAR-T靶点发现的黄金标准”这个结论。GPNMB一个藏在多种癌症里的共同靶点GPNMB是一种I型跨膜糖蛋白过去研究发现它和细胞黏附、迁移、免疫抑制有关但很少有人把它当成一个广谱的癌症靶点。借助AI的提示研究团队把验证范围从皮肤癌拓展到了全癌种。他们分析了TCGA数据库里的数十种癌症发现GPNMB的高表达远不止黑色素瘤胆管癌、弥漫大B细胞淋巴瘤、胶质母细胞瘤、头颈鳞癌、肾乳头状癌、肝癌、肺鳞癌、胰腺癌、胃癌、睾丸生殖细胞肿瘤、胸腺瘤……十几种恶性肿瘤中GPNMB都显著上调。随后的免疫组化和细胞流式实验也证实在病人肿瘤组织样本里GPNMB蛋白确实高表达在多种癌症的细胞系表面都能检测到GPNMB的存在。而在人体正常的重要器官中GPNMB的表达量非常低——这意味着它的安全性基础很好不太容易出现严重的“误伤正常组织”的毒副作用。一个靶点覆盖这么多种癌症这在CAR-T领域是极其罕见的。它意味着如果研发成功一款疗法就能造福很多不同癌种的患者。从小鼠实验看GPNMB CAR-T的真实战力光有表达还不够CAR-T细胞真的能靠GPNMB杀死癌细胞吗研究团队基于已经进入过临床的GPNMB抗体glembatumumab vedotin的抗原结合区构建了第二代GPNMB CAR-T细胞然后在体外和体内分别测试了它对三种癌症的效果。血液瘤精准清除实现长期生存CAR-T在血液肿瘤里的效果通常最好研究团队首先测试了单核细胞白血病ML和急性髓系白血病AML。体外实验显示GPNMB CAR-T细胞非常“专一”只有遇到GPNMB阳性的白血病细胞时才会激活、增殖、释放细胞因子并且高效杀伤肿瘤细胞面对GPNMB阴性的B细胞白血病则完全没有反应。在小鼠体内实验中研究人员给免疫缺陷小鼠注射了人单核白血病细胞两天后输注GPNMB CAR-T细胞。结果非常惊艳对照组的小鼠很快就因为疾病进展达到安乐死终点而接受CAR-T治疗的小鼠体内的人源T细胞大量扩增并且存活了数月之久完全没有发病迹象体重也保持稳定。黑色素瘤实体瘤突破多数肿瘤完全消退对于实体瘤CAR-T的难度要大得多。研究团队用了人黑色素瘤细胞的小鼠皮下移植模型。体外实验中GPNMB CAR-T对黑色素瘤细胞展现出了剂量依赖性的杀伤效果。到了体内治疗组小鼠的外周血里人源T细胞显著扩增血清中的抗癌细胞因子也明显升高。最关键的肿瘤体积数据显示和对照组肿瘤快速生长不同大多数接受GPNMB CAR-T治疗的小鼠肿瘤都出现了完全消退整体生存期得到了极其显著的延长。结直肠癌全部完全缓解无一复发既然GPNMB在多种实体瘤里都有表达那它对其他实体瘤有效吗研究团队又测试了结直肠癌模型。结果比黑色素瘤还要好所有接受GPNMB CAR-T治疗的小鼠肿瘤全部达到了完全缓解并且在观察期内没有出现一例复发。小鼠的生存期同样显著长于对照组。研究还发现同样的CAR-T剂量结直肠癌模型里的T细胞扩增程度比黑色素瘤模型更高CD8阳性T细胞的比例也更明显。这提示不同肿瘤的微环境可能会影响CAR-T的效果但无论如何GPNMB在多种实体瘤里的抗肿瘤活性都得到了实打实的验证。三、不止于一个新靶点AI正在改写免疫治疗的研发逻辑GPNMB CAR-T的成功验证当然是这项研究最直观的成果。但更深远的意义在于这套AI驱动的靶点发现框架正在改变整个CAR-T领域的研发范式。领域影响把靶点发现从“手工作坊”带进“工业化时代”在这项研究之前CAR-T靶点发现是一个高度依赖专家经验、周期长、成功率低的工作。一个好靶点的发现往往需要多个团队花费数年时间还可能走很多弯路。而这套AI框架把整个流程变成了一套可复制、可扩展、标准化的流水线只要有对应的单细胞数据就能快速筛选出对应疾病的最优靶点。它不仅大大提升了效率还降低了行业门槛——即便没有顶尖专家团队的机构也能基于这套方法开展高质量的靶点研发。更重要的是它打破了“一种疾病找一个靶点”的传统思路。通过系统化的评估AI能挖掘出像GPNMB这样“一靶多癌”的广谱靶点这将极大地降低CAR-T疗法的开发成本提升可及性。AI的想象空间远不止找靶点这项研究只是AI与细胞治疗结合的起点。论文中也提到类似的思路未来可以延伸到更多方向比如除了单细胞转录组还可以整合蛋白组、糖组、细胞内多肽等更多维度的数据去发现更多类型的靶点甚至开发针对胞内抗原的TCR-T疗法。又比如AI不仅能用来找靶点还可以用来优化CAR的结构设计、设计逻辑门控、筛选多靶点组合、甚至规划临床试验方案。而GPNMB本身的临床转化也值得期待。在这项研究收尾阶段已经有临床病例报告显示GPNMB CAR-T在肺泡软组织肉瘤患者身上展现出了活性且没有出现严重的毒副作用。随着更多临床研究的推进这款跨癌种的CAR-T疗法有望真正走到患者身边。曾经寻找CAR-T靶点就像在黑暗的大海里捞针每一点进展都伴随着巨大的试错成本。而今天人工智能就像是给研发者配上了“声呐系统”让我们能系统性、高精度地扫描每一个潜在的可能。GPNMB不是第一个CAR-T靶点也绝不会是最后一个。但它的特别之处在于它是第一个由AI系统发现、并通过完整实验验证的多癌种CAR-T靶点。它的诞生标志着AI正式从“辅助工具”走向了“核心参与者”的角色深度参与到新药研发的核心决策环节。当人工智能的算力与生命科学的创造力深度融合我们有理由相信未来会有更多像GPNMB这样的惊喜被发现免疫治疗的边界也将被一次次推向更远的地方。医学AI交流群目前小罗全平台关注量120,000交流群总成员4000大部分来自国内外顶尖院校/医院期待您的加入由于近期入群推销人员较多已开启入群验证扫码添加我的联系方式备注姓名-单位-科室/专业即可邀您入群。