Системная иммунология и клиническая трансляция: мультиомные подходы к прогнозированию ответа на терапию при онкологических и аутоиммунных заболеваниях
Systems immunology meets clinical translation: Multi-omic approaches to predict therapy response in cancer and autoimmune disease
2025-12-23
SCID: 54.1/dzne8mvy
Discuss with AI
интеграция мультиомных данныхперсонализированная иммунотерапияпространственная биологиясистемная иммунологияпрогнозирование ответа на терапию
Figures from the paper
Abstract (AI)
Иммунная система регулируется сложными взаимосвязанными молекулярными и клеточными сетями, определяющими риск развития заболеваний и исход лечения. Традиционные биомаркеры при онкологических и аутоиммунных заболеваниях часто основаны на единичных параметрах и не отражают гетерогенность иммунной системы, что приводит к вариабельности терапевтического ответа. Системная иммунология объединяет геномный, транскриптомный, эпигеномный, протеомный и метаболомный анализ, а также профилирование микробиома для создания целостных моделей функционирования иммунной системы. В этом обзоре рассматривается, как интеграция мультиомных данных повышает точность прогнозирования ответа на терапию при солидных и гематологических злокачественных новообразованиях и аутоиммунных заболеваниях, включая ревматоидный артрит, системную красную волчанку, рассеянный склероз и воспалительные заболевания кишечника. Обсуждаются достижения в области машинного обучения, сетевого моделирования и пространственной биологии как ключевые факторы иммунной стратификации и выявления биомаркеров. Хотя интегрированные подходы превосходят предикторы, основанные на одном типе омических данных, сохраняются проблемы клинической валидации, интерпретируемости и экономической эффективности. Предлагается трансляционная концепция, в рамках которой целевые мультиомные панели и вычислительное моделирование используются для подбора персонализированной иммунотерапии, переводя лечение, основанное на иммунных механизмах, от эмпирического вмешательства к прогнозируемой системно-ориентированной прецизионной медицине.
Key Findings
1
Клиническое внедрение ограничивают проблемы валидации, интерпретируемости и экономической эффективности; для персонализированной иммунотерапии предлагаются целевые мультиомные панели.
2
Традиционные биомаркеры, основанные на одном параметре, недостаточно отражают гетерогенность иммунной системы, что способствует вариабельности ответа на лечение при раке и аутоиммунных заболеваниях.
3
Интеграция данных геномики, транскриптомики, эпигеномики, протеомики, метаболомики и микробиомного профилирования обеспечивает более целостное моделирование функций иммунной системы.
4
Машинное обучение, сетевое моделирование и пространственная биология способствуют иммунной стратификации пациентов и открытию биомаркеров.
5
Мультиомные подходы превосходят предикторы на основе одной омики в прогнозировании ответа на терапию при онкологических и аутоиммунных заболеваниях, включая ревматоидный артрит, системную красную волчанку, рассеянный склероз и воспалительные заболевания кишечника.
Research Object
Иммунные ответы на терапию при онкологических и аутоиммунных заболеваниях
Research Subject
Прогнозирование ответа на терапию и стратификация иммунных состояний с использованием интегрированных мультиомных молекулярных и клеточных профилей
Publication Details
Publication Date
2025-12-23
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest