人類與AI協作：賓大團隊開發CAR-T細胞療法新標靶發現平台，GPNMB成對抗實體腫瘤頭號候選

2026年6月25日，由賓州大學佩雷爾曼醫學院（Perelman School of Medicine）的Daniel Baker、Carl June和Zoltan Arany領導的研究團隊，在國際頂尖期刊《細胞》（Cell）上發表了一項突破性研究。他們描述了一個「人類智慧參與」（human-in-the-loop）的人工智慧框架，該框架整合了大型語言模型（LLMs）與單細胞RNA測序（single-cell RNA sequencing）數據，用以系統性地發現並優先排序CAR-T細胞療法的新標靶 。

此框架篩選出的首要候選抗原是GPNMB（glycoprotein non-metastatic melanoma protein B，非轉移性黑色素瘤糖蛋白B）。以GPNMB為導向的CAR-T細胞在黑色素瘤、白血病和結腸直腸癌的小鼠模型中皆展現出顯著的抗腫瘤活性 。該框架的設計強調模組化、疾病通用性，並可適應任何大型語言模型，目標是大幅加速實體腫瘤及其他疾病的標靶發現——將過去需要數月甚至數年的過程，縮短至僅僅數週 。

人類智慧參與的AI框架如何運作

• 數據整合： 研究團隊將四個公開的單細胞RNA測序皮膚癌數據集與公共資料庫的數據結合，並應用特定的生物學準則，從超過10,000個潛在的表面抗原中，優先篩選出符合CAR-T療法特徵（例如腫瘤特異性表達、表面可及性）的候選者 。
• LLM提名： 使用數個領先的大型語言模型，從優先排序後的清單中提名理想的標靶 。
• 重複減少幻覺： 為了降低大型語言模型常見的「幻覺」風險，整個提名模擬過程被獨立重複了1,000次，最終結果被匯總成一份最終的候選清單 。
• 人類專家審查： 科學家們隨後對這份最終清單進行審查，並執行生物學驗證，包括確認表面蛋白質表達、構建CAR載體以及臨床前測試 。
• 速度優勢： 整個AI驅動的流程僅耗時不到數週，而傳統的人工方法則需要數月甚至數年 。

首要篩選出的抗原：GPNMB

• GPNMB（非轉移性黑色素瘤糖蛋白B） 在此框架中脫穎而出，成為首要候選抗原 。
• 以GPNMB為標靶的CAR-T細胞在黑色素瘤、白血病和結腸直腸癌的小鼠模型中，均顯示出顯著的抗腫瘤活性，展現了治療多種癌症的潛力 。

這項方法如何加速超越血癌的標靶發現

• 疾病通用的設計： 該框架的設計模組化且可通用化，適用於任何癌症類型或疾病，而不僅限於用於概念驗證的皮膚癌數據集 。
• 使用公開數據： 此框架可運行於公開可得的數據集，這使得標靶發現不僅限於擁有臨床樣本或專有定序技術的機構，從而實現民主化 。
• LLM通用性： 此框架不依賴於任何特定的大型語言模型，因此可以應用於未來出現的更先進模型 。
• 核心目標： 研究團隊明確表示，設計此方法的目的是為了打破為實體腫瘤尋找安全、有效的表面標靶的瓶頸——這正是將CAR-T療法從目前美國FDA核准的血癌應用擴展到實體腫瘤的主要障礙 。