免疫检查点抑制剂（ immune checkpoint inhibitors, ICIs ）的问世革新了肿瘤治疗范式，显著改善了多种实体瘤患者的预后并延长了总生存期（ overall survival, OS ）。然而，临床实践表明仅有少数患者能够从免疫治疗中获得持久的临床获益，如何在治疗前准确预测患者对免疫治疗的响应并深入阐明其潜在的生物学机制，已成为精准 肿瘤 医学亟待解决的关键科学问题。
近日 ，哈尔滨医科大学生物信息科学与技术学院韩俊伟教授团队在 期刊Genome Medicine发表了题为PathHDNN: a pathway hierarchical-informed deep neural network framework for predicting immunotherapy response and mechanism interpretation的研究论文。该研究创新性地提出了一种融合生物通路层级结构的深度神经网络框架PathHDNN，通过整合体细胞突变（somatic mutations）和拷贝数变异（copy number variations, CNVs）数据，实现了对肿瘤患者免疫治疗响应的高精度预测，并系统阐释了治疗响应的关键通路调控机制。
图1. PathHDNN 框架整体研究设计流程图
PathHDNN 的核心特点在于 将生物学通路层级结构显式编码进神经网络架构 。 研究团队没有采用传统的“黑箱”深度学习方法，而是将生物学先验知识融入模型架构。这一框架包含两个关键组件：通路特征提取模块和多层感知机预测模块。通过分层学习策略， PathHDNN 能够同时捕获基因表达数据中的局部通路活性和全局交互效应。相比传统方法， PathHDNN 展现出三大独特优势 ： （ 1 ） 可解释性，该模型能识别出与免疫治疗响应最相关的生物通路，为机制研究提供线索。 （2） 高准确性，在多个独立测试集上， PathHDNN 的预测性能显著优于现有方法，AUROC值达到0.85以上。 （3） 跨癌种 泛化能力，即使面对不同癌症类型的数据，仍能保持稳定表现。 在系统比较中， PathHDNN 的表现显著优于传统机器学习方法、已发表免疫治疗生物标志物和深度学习预测模型。
图2. PathHDNN 与基准算法和已发表生物标志物的比较
PathHDNN 应用 SHAP 解释框架，系统解析了模型的决策路径。通过沿通路层级追踪信号传递，模型识别出免疫检查点、干扰素-γ响应及抗原呈递等关键通路——这些发现与已知的免疫治疗机制高度吻合。这些结果清晰地揭示了肿瘤内在基因改变向免疫系统状态的级联影响，为阐释免疫治疗 响 应机制提供了系统层面的见解。
哈尔滨医科大学生物信息科学与技术学院李香妹博士为本文第一作者。韩俊伟教授为本文的通讯作者。
https://link.springer.com/article/10.1186/s13073-025-01584-9
制版人：十一
BioArt
Med
Plants
人才招聘
学术合作组织
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
热门跟贴