AI 結合人類智慧 賓大團隊快速鎖定 CAR-T 療法新抗原 GPNMB

2026年6月25日，賓夕凡尼亞大學醫學院（Penn Medicine）嘅研究團隊——包括Daniel Baker、Carl June同Zoltan Arany——喺頂尖學術期刊《Cell》上發表咗一項突破性研究，詳細介紹咗一個**「人機協作」（human-in-the-loop）人工智能框架**，呢個框架將大型語言模型（LLMs）同單細胞RNA測序（scRNA-seq）數據整合埋一齊，用嚟系統性發現同優先排序新嘅CAR-T細胞療法靶點。

佢哋搵到嘅頭號候選抗原係 GPNMB（glycoprotein non-metastatic melanoma protein B，糖蛋白非轉移性黑色素瘤蛋白B），而針對GPNMB嘅CAR-T細胞喺黑色素瘤、白血病同大腸癌嘅小鼠模型中，都展示出好強嘅抗腫瘤效果。呢個框架嘅設計係模組化、疾病無關（disease-agnostic），而且可以適應任何LLM，目標係大幅度加快實體腫瘤以及其他疾病嘅靶點發現速度——將原本可能需要幾個月甚至幾年嘅過程，縮短到淨係幾個星期。

呢個「人機協作」AI框架係點樣運作㗎？

• 數據整合： 團隊先將四個公開嘅人類皮膚癌單細胞RNA測序數據集，結合公共數據庫嘅資料，然後應用特定嘅生物學指引，優先篩選出超過10,000個潛在嘅表面抗原，睇佢哋有冇CAR-T相關嘅特徵（例如腫瘤特異性表達、表面可及性等）。
• LLM提名： 利用幾個前沿嘅大型語言模型，從優先排序咗嘅名單入面提名出理想嘅靶點。
• 重複模擬減少幻覺： 成個提名模擬過程獨立重複咗1,000次，目的係為咗減低大型語言模型常見嘅「幻覺」（hallucination）風險，最後將結果整合成一份最終嘅短名單。
• 人類專家審查： 科學家跟住審視呢份短名單，並進行生物學驗證，包括確認表面蛋白表達、構建CAR，以及做臨床前測試。
• 速度： 成個AI驅動嘅管道（pipeline）用咗唔夠幾個星期就完成，相比之下，傳統人手方法可能要花幾個月甚至幾年。

頭號抗原：GPNMB

• GPNMB 喺呢個框架嘅篩選中，成為咗最頂尖嘅候選靶點。
• 針對GPNMB嘅CAR-T細胞，喺黑色素瘤、白血病同大腸癌嘅小鼠模型中，都顯示出顯著嘅抗腫瘤活性，證明咗佢有多種癌症嘅治療潛力。

呢個方法點樣加速超越血癌嘅靶點發現？

• 疾病無關設計： 呢個框架係模組化同通用化嘅，可以用喺任何癌症類型或疾病，而唔局限於今次用嚟做概念驗證嘅皮膚癌數據集。
• 善用公開數據： 佢可以單靠公開數據集運作，咁樣即使係冇臨床樣本或專利測序技術嘅機構，都可以參與靶點發現，令技術更加普及。
• LLM無關： 呢個框架唔綁定任何特定嘅大型語言模型，所以將來可以應用喺更新、更先進嘅模型上面。
• 目標： 研究團隊明確指出，呢個方法係為咗破解搵到安全同有效嘅實體腫瘤表面靶點呢個樽頸位——呢個正正係目前CAR-T療法要擴展到血癌以外（現時FDA批准嘅主要係血癌）嘅最大障礙。

簡單嚟講，呢項研究展示咗人工智能點樣同人類專業知識相輔相成，為癌症治療，尤其係棘手嘅實體腫瘤，打開咗一扇全新嘅大門。