癌症與免疫系統的攻防戰：個人化癌症疫苗

上篇：癌症與免疫系統的攻防戰：免疫檢查點療法

腫瘤新生抗原（neoantigens）被視為抗癌疫苗的最佳標靶之一，免疫細胞辨認這些抗原的能力，也影響免疫檢查點阻斷（immune checkpoint blockade, ICB）療法的成效 [1]，近來編譯與預測突變位點的技術興起，大為裨益抗原辨認與篩選（圖三），針對腫瘤突變程度較低的癌症提供個人化疫苗作為對策，彌補 ICB 療法的不足。藉由 NGS 分析病患的腫瘤切片與健康組織並比較序列，偵測腫瘤特異突變（tumor-specific mutations）。透過演算法，預測其編譯的短肽鏈可否與病患的人類白血球抗原（human leukocyte antigen, HLA）結合，最後再依循優良製造規範（good manufacturing practice, GMP），生產個人化疫苗（圖一） [2]。

2019 年一篇將個人化腫瘤新生抗原疫苗用於 15 位神經膠質母細胞瘤（glioblastoma）患者的試驗結果發表於 Nature [3]。由於這類腫瘤新生抗原少且 T 細胞浸潤程度低，在神經膠質瘤有效個人化疫苗計畫（Glioma Actively Personalized Vaccine Consortium, GAPVAC）第一期 GAPVAC-101 臨床試驗中，篩選腫瘤的全部抗原設計疫苗，以期提供更有效的免疫療法。

作者先利用 XPRESIDENT 技術，從 30 個神經膠質母細胞瘤樣本中，篩選出可由 HLA 呈獻的未突變抗原，成為合成肽鏈「倉儲」。XPRESIDENT 是一個結合液相層析串聯質譜儀分析法（liquid chromatography-tandem mass spectrometry, LC-MS/MS）、樣品製備、與免疫生物資訊分析的高通量技術平台 [4]，作者藉此篩選可與特定 HLA 血清型結合且具有高免疫原性的肽鏈，並確認這些肽鏈在每位患者體內作為腫瘤抗原的關聯程度（圖二）。

倉儲肽鏈依據患者施打疫苗前的 T 細胞活性排序。第一組有效個人化疫苗（Actively Personalized Vaccines 1, APVAC1）由排序前七名的 HLA class I 肽鏈、兩個與不同 HLA-DR（class II）分子雜亂結合（promiscuous binding）的抗原肽鏈（稱為 pan-DR antigens）、與一個病毒標記肽鏈。每位患者 APVAC1 的組成皆異，支持了個人化疫苗的發展理念。

第二組有效個人化疫苗則優先選取確定或有可能作為 HLA 配體的突變肽鏈，進行肽鏈合成，然如未在患者體內鑑測出適合的新生抗原決定位，便會選擇與腫瘤相關而但未納入 APVAC1 的未突變 HLA class I 抗原決定位。

患者在經過腫瘤全部切除（gross total resection）與結合帝盟多（temozolomide, TMZ）的標準化學與放射療法後，於 TMZ 療程期間，配合佐劑接受APVAC1 與 APVAC2 的皮內注射（intradermal injection），接種後引致的免疫反應簡示於（圖三）。

大部分患者發生至少一種由 APVAC1 HLA class I 肽鏈所誘發的 CD8+ T 細胞反應，並可維持數月之久。患者血液中，原本對 APVAC1 專一的 T 細胞，由初始表現型（naive phenotype）轉為記憶表現型，且數量增加。經分析亦發現，部分病患對於 APVAC1 中至少一個 pan-DR 抗原出現 CD4+ T 細胞反應，通常由第一型輔助 T 細胞（T helper type 1 cells, TH1）介導。

作者將一個患者在施打疫苗後與施打前對於 APVAC1 專一的 CD8+ 記憶 T 細胞數量之比值，定義為記憶細胞誘導係數（memory cell induction factor, MCIF）。MCIF 偏高的患者，常缺乏 TH2 或抑制性 CD4+ T 細胞反應，且施打疫苗前體內調節性 T 細胞較少。

     多數接受 APVAC2 療程的患者，出現了專一針對新生抗原決定位的、以 CD4+ T 細胞為主的免疫反應，主要亦由 TH1 介導，且具有多重效用。相較於 APVAC1，APVAC2 抗原是在未了解其免疫原性之前接種，因此是否需要以 HLA class I 抗原的免疫原性作為疫苗成分的篩選基準，仍存有討論空間。

        這項試驗顯示個人化疫苗的確可在臨床上發揮一定效用，也仍需克服許多挑戰。先前研究亦發現僅有少於 1% 的突變會轉為 HLA class I 配體 [5] [6]， 本次試驗的資料可能反映了基因層面的變異中 ，僅有少數能轉為 HLA 可呈獻的變異肽鏈。考量新生抗原決定位預測過程的諸多不確定性，設計個人化疫苗時，若能標定腫瘤中大量或全部的突變，可能較為理想。此外，亦需優化處理程序，以降低其繁複性與時長，以成為更能付諸實行的療法。

 

參考文獻：

1. Schumacher, T. N., &Schreiber, R. D. (2015). Neoantigens in cancer immunotherapy. Science, 348(6230), 69 LP – 74. https://doi.org/10.1126/science.aaa4971
2. Türeci, Ö., Löwer, M., Schrörs, B., Lang, M., Tadmor, A., &Sahin, U. (2018). Challenges towards the realization of individualized cancer vaccines. Nature Biomedical Engineering, 2(8), 566–569. https://doi.org/10.1038/s41551-018-0266-2
3. Hilf, N., Kuttruff-Coqui, S., Frenzel, K., Bukur, V., Stevanović, S., Gouttefangeas, C., …Wick, W. (2019). Actively personalized vaccination trial for newly diagnosed glioblastoma. Nature, 565(7738), 240–245. https://doi.org/10.1038/s41586-018-0810-y
4. Weinschenk, T., Gouttefangeas, C., Schirle, M., Obermayr, F., Walter, S., Schoor, O., …Rammensee, H.-G. (2002). Integrated Functional Genomics Approach for the Design of Patient-individual Antitumor Vaccines. Cancer Research, 62(20), 5818 LP – 5827. Retrieved from http://cancerres.aacrjournals.org/content/62/20/5818.abstract
5. Yadav, M., Jhunjhunwala, S., Phung, Q. T., Lupardus, P., Tanguay, J., Bumbaca, S., …Delamarre, L. (2014). Predicting immunogenic tumour mutations by combining mass spectrometry and exome sequencing. Nature, 515(7528), 572–576. https://doi.org/10.1038/nature14001
6. Kalaora, S., Barnea, E., Merhavi-Shoham, E., Qutob, N., Teer, J. K., Shimony, N., Schachter, J., Rosenberg, S. A., Besser, M. J., Admon, A., & Samuels, Y. (2016). Use of HLA peptidomics and whole exome sequencing to identify human immunogenic neo-antigens. Oncotarget, 7(5), 5110–5117. https://doi.org/10.18632/oncotarget.6960

撰文｜陳品萱
審稿｜黃云宣