宾大团队用“人在回路”AI框架，从十万候选物中锁定实体瘤CAR-T新靶点GPNMB

2026年6月25日，宾夕法尼亚大学医学院（Penn Medicine）由Daniel Baker、Carl June和Zoltan Arany领导的研究团队在《细胞》（Cell）杂志上发表了一项研究，描述了一个人类参与（human-in-the-loop）的人工智能框架。该框架整合了大语言模型（LLMs）与单细胞RNA测序数据，用于系统发现和优先排序新的CAR-T细胞疗法靶点 。他们发现的首选候选抗原是GPNMB（糖蛋白非转移性黑色素瘤蛋白B），靶向GPNMB的CAR-T细胞在黑色素瘤、白血病和结直肠癌小鼠模型中均显示出抗肿瘤效果 。该框架设计为模块化、疾病无关且可适配任何LLM，旨在大幅加速实体瘤及其他领域的靶点发现——将原本需要数月甚至数年的过程缩短至仅需数周 。

人类参与AI框架的工作原理

• 数据整合：团队整合了四个公开的皮肤癌单细胞RNA测序数据集与公共数据库数据，随后应用特定生物学指南对超过1万个候选表面抗原按CAR-T相关特征（如肿瘤特异性表达、表面可及性）进行优先排序 。
• 基于LLM的提名：使用多个前沿大语言模型从优先列表中提名理想靶点 。
• 重复模拟以减少幻觉：为降低已知的LLM风险（如幻觉），整个提名模拟独立重复1000次，结果汇总形成最终短名单 。
• 人类专家评审：科学家随后对短名单进行审查，并进行生物学验证（表面表达确认、CAR构建及临床前测试） 。
• 速度：整个AI驱动流程耗时不到数周，而传统手动方法需要数月甚至数年 。

发现的首选抗原：GPNMB

• GPNMB（糖蛋白非转移性黑色素瘤蛋白B）在框架中作为首选候选抗原脱颖而出 。
• 靶向GPNMB的CAR-T细胞在黑色素瘤、白血病和结直肠癌小鼠模型中显示出显著的抗肿瘤活性，展现出多癌种治疗潜力 。

该方法如何加速超越血癌的靶点发现

• 与疾病无关的设计：该框架设计为模块化且可推广至任何癌症类型或疾病，并非仅限于作为概念验证的皮肤癌数据集 。
• 基于公开数据运行：它使用公开可用的数据集，使靶点发现不再局限于能够获取临床样本或专有测序数据的机构 。
• 与LLM无关：该框架不绑定于任何特定LLM，因此可应用于未来出现的更先进模型 。
• 目标：研究人员明确将该方法设计为打破寻找安全有效的实体瘤表面靶点的瓶颈——这是将CAR-T疗法扩展到目前FDA仅批准的血液癌症之外的主要障碍 。