根据周三在《细胞》杂志上发表的一份报告，宾夕法尼亚大学医学院的研究人员开发了一个人工智能框架，该框架将大型语言模型与人类专业知识相结合，以发现 CAR T 细胞疗法的新靶标。这项研究由 Daniel Baker 领导，他于 2025 年 12 月在 CAR T 细胞疗法先驱 Carl June 和宾夕法尼亚大学生理学系主任 Zoltan Arany 的指导下完成了宾夕法尼亚大学博士学位。
该人工智能系统被称为“人机循环”模型，旨在减轻识别 CAR T 细胞抗原的挑战。 Baker 说：“发现一个好的 CAR 靶点就像大海捞针一样，只不过随着更多测序数据的出现，大海捞针不断增加。”他指出，人工智能非常适合这项任务，因为大型语言模型可以有效分析大量数据，而人类专家可以提供深入的见解。
该框架将单细胞 RNA 测序数据集与基于法学硕士的模拟相结合，以提名和优先考虑潜在的 CAR T 靶点，生成供专家验证的候选名单。该设计与疾病无关，并且与未来的人工智能模型兼容。
作为概念验证，该团队专注于皮肤癌，并将糖蛋白非转移性黑色素瘤蛋白 B (GPNMB) 确定为最佳候选药物。针对 GPNMB 进行改造的 CAR T 细胞在黑色素瘤、白血病和结直肠癌小鼠模型中表现出显着的肿瘤杀伤活性。 《Cell》上的一篇相关评论强调，GPNMB CAR T 治疗在异种移植模型中实现了缓解且没有复发。
虽然 CAR T 细胞疗法显着改善了血癌的治疗，但目前 FDA 批准的疗法主要针对这些恶性肿瘤中的抗原。研究人员声称，他们的框架可以将目标发现过程从几个月缩短到几周，从而促进其应用于多种疾病类型，而无需重新设计底层架构。
<小时/>
