企业官网建设流程全解析

小罗碎碎念

参考来源：Baker DJ, Frommer LM, Uslu U, et al. AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy.Cell. 2026;189(13):3871-3882.

CAR-T细胞疗法就像是给人体免疫T细胞装上了“精准导航导弹”——让原本认不出癌细胞的免疫细胞，能精准识别并追杀肿瘤。自问世以来，它已经让很多晚期血液癌患者看到了治愈的可能。

但这套“导弹系统”生效有个前提：得找到合适的“靶标”。这个靶标必须满足极其苛刻的条件：

• 它要大量出现在癌细胞表面，最好绝大多数癌细胞都有，以避免耐药逃逸；
• 它要尽量不出现在心、脑、肺等重要器官的正常细胞上，防止误伤带来严重毒性；
• 最好还已经有过相关药物研发基础，能更快推进临床转化。

传统的靶点发现，需要专家们手动翻找一个个数据库，靠经验逐个筛选，耗时数年、耗费巨资，最后还常常要么找错了靶，要么毒性太大，要么只对极个别癌症有效。

这也是为什么CAR-T问世这么多年，真正获批的靶点屈指可数，实体瘤更是迟迟难有突破性进展。

靶点稀缺，已经成为制约CAR-T疗法向更广领域拓展的核心瓶颈。

而2026年发表在《Cell》上的一项研究，给这个行业困境带来了破局的答案：来自宾夕法尼亚大学、亚琛工业大学的团队，把大语言模型（LLM）、高分辨率单细胞图谱和公共知识库整合在一起，打造出了一套AI驱动的自动化CAR-T靶点发现管线。

更令人振奋的是，用这套管线找到的首个核心靶点GPNMB，被证实不仅对黑色素瘤有效，还能覆盖白血病、结直肠癌等多种癌症，真正具备了“多癌种通用疗法”的潜力。

AI驱动CAR-T靶点发现框架

这是整个研究的技术路线示意图，分为四大核心模块：

数据整合

整合癌细胞、正常细胞的单细胞转录组数据，构建统一的癌症单细胞图谱；

知识增强

对接UniProt、人类蛋白图谱、ProteomicsDB、Open Targets、GTEx等公开数据库，为每个候选靶点补充多维度生物学特征；

基于推理的靶点优先级排序与提名

接入GPT-4o、Claude-3.7、Gemini-2.5-Pro三款大语言模型，通过千次模拟完成特征权重优化与靶点提名；

靶点验证

通过批量测序、免疫荧光、流式细胞术等湿实验完成生物学验证。

MedX知识岛

在医工交叉研究中，真正耗时的往往不是提出问题，而是反复寻找可用数据、筛选开源代码、追踪论文资源并判断复现价值。

MedX 知识岛将医学文献精读、近千条公开数据集索引、三千余个开源工具解读和公众号论文开放资源整合到同一平台。无论你正在准备课题选题、寻找医学影像数据、比较算法工具，还是追踪论文中的代码与数据，都可以通过分类筛选或智能问答快速获得相关线索，减少无效搜索和复现试错。

月卡适合短期集中查数与项目验证，年卡还可解锁公众号论文库及更高的专业问答额度；在校学生可申请青云计划免费体验一个月。现在注册并加入会员，让每一次检索都更接近可执行的研究方案。

一、AI靶点发现

和传统“专家经验驱动”的筛选模式不同，这套AI框架的核心逻辑是：用真实生物数据打底，用公开知识补全维度，用大模型做理性权衡，最终输出可验证、可解释的靶点排名。

第一步：绘制单细胞全景图

找靶点的第一步，是知道“癌细胞到底在表达什么”。

过去研究者常用批量RNA测序，就像把一整个肿瘤组织搅碎了测基因，得到的是“平均水平”——你分不清哪些信号来自癌细胞，哪些来自肿瘤里的免疫细胞、基质细胞。

这很容易造成误判：比如免疫细胞上的蛋白，会被当成是癌细胞的靶点，最终研发出来的CAR-T不仅杀不了肿瘤，还会攻击自身免疫细胞。

这一次，研究团队选择了“单细胞分辨率”作为数据基础。

他们整合了4套公开的皮肤癌单细胞测序数据集，涵盖了基底细胞癌、鳞状细胞癌、不同分期的黑色素瘤甚至转移灶，再加入健康人皮肤的参考细胞数据，用Harmony算法消除不同样本之间的技术批次差异，最终拼成了一张包含十多万个细胞的“皮肤癌单细胞全景图谱”。

你可以把它理解成一张超高像素的肿瘤社区地图：每一个细胞都清晰可辨，哪些是恶性的、哪些是正常的，每个细胞表达了哪些基因，都一目了然。

这就从根源上避免了“把路人当坏人”的误判。

第二步：多维度特征打分

有了基因表达图谱，只能初步筛选出“癌细胞里更多见”的基因。但能不能当CAR-T靶点，还要看很多其他条件。

研究团队对接了UniProt、人类蛋白图谱、GTEx组织表达库、临床试验数据库等6个权威公共资源，给每一个候选基因都提取了四大类、共7个维度的特征，并且全部量化成了分数：

• 亚细胞定位：是不是在细胞表面？只有在表面的蛋白，才能被CAR-T细胞识别。
• 肿瘤特异性：在癌细胞里的表达占比高不高？覆盖的癌细胞越多，越不容易出现耐药。
• 正常组织表达：在心、脑、肺这些重要器官里表达多不多？表达越低，安全性越好。
• 临床可转化性：有没有相关的药物、抗体进入过临床？研发基础越好，推进速度越快。

第三步：三大模型千次投票

特征都有了，但每个维度该占多少权重？这在过去全靠专家拍板，不同专家可能给出完全不同的结果，主观性很强。

这一次，研究团队引入了GPT-4o、Claude-3.7、Gemini-2.5-Pro三款主流大语言模型，设计了一套“人机协同+多模型验证”的权重优化方案：

首先由领域专家给出一套基础权重作为参考，然后让每个大模型独立进行1000次模拟评审，根据CAR-T靶点的核心标准，自主调整每个特征的权重，再从排名前100的基因里选出最有潜力的10个靶点，并且必须给出明确的提名理由。

最终的数据显示，尽管三个模型的算法逻辑不同，但在核心特征的重要性判断、以及Top靶点的选择上，达成了高度共识。

更有意思的是，研究团队还做了一组对照：去掉专家给的基础权重，完全让大模型从零开始打分。结果Top100基因里有94个和有专家指导的结果重合，Top15靶点里有12个一致。

这意味着这套AI框架本身就具备很强的专业判断能力，哪怕没有顶尖专家的团队，也能用来做高质量的靶点筛选。

最终，GPNMB（糖蛋白非转移性黑色素瘤蛋白B）在所有模型的所有投票中，成为被提名次数最多的靶点——它不仅肿瘤特异性好，还具备很强的跨癌种应用潜力。

二、GPNMB如何成为跨癌种的潜力靶点？

AI筛选出来的结果，终究只是计算预测。它到底靠不靠谱？GPNMB真的能成为一个好的CAR-T靶点吗？研究团队用了一整套实验，从分子、细胞到动物模型，完成了完整的验证。

AI找的靶点，真的靠谱吗？

研究团队首先用三种不同的技术，验证了AI提名的Top靶点在黑色素瘤中的真实表达情况：

• 转录层面：TCGA黑色素瘤数据显示，GPNMB、ERBB3、IGF1R等靶点，在肿瘤组织中的表达量显著高于正常皮肤。
• 蛋白定位：免疫荧光染色证实，这些蛋白确实存在于黑色素瘤细胞的细胞膜上。
• 表面表达：非透化流式细胞术进一步确认，这些靶点暴露在细胞表面，能够被抗体识别。

作为对比，研究团队还专门测试了“用批量测序数据+AI”的效果。

批量数据筛选出的Top100靶点，和单细胞筛选的结果只有21个重合；Top15靶点里更是只有2个相同。

批量数据甚至把T细胞上的TIGIT、CTLA4这些免疫标志物都当成了肿瘤靶点——如果真按这个结果去研发，必然会彻底失败。

这不仅证明了这套AI靶点发现框架的可靠性，更坐实了“单细胞分辨率是CAR-T靶点发现的黄金标准”这个结论。

GPNMB，一个藏在多种癌症里的共同靶点

GPNMB是一种I型跨膜糖蛋白，过去研究发现它和细胞黏附、迁移、免疫抑制有关，但很少有人把它当成一个广谱的癌症靶点。

借助AI的提示，研究团队把验证范围从皮肤癌拓展到了全癌种。

他们分析了TCGA数据库里的数十种癌症，发现GPNMB的高表达远不止黑色素瘤：胆管癌、弥漫大B细胞淋巴瘤、胶质母细胞瘤、头颈鳞癌、肾乳头状癌、肝癌、肺鳞癌、胰腺癌、胃癌、睾丸生殖细胞肿瘤、胸腺瘤……十几种恶性肿瘤中，GPNMB都显著上调。

随后的免疫组化和细胞流式实验也证实：在病人肿瘤组织样本里，GPNMB蛋白确实高表达；在多种癌症的细胞系表面，都能检测到GPNMB的存在。

而在人体正常的重要器官中，GPNMB的表达量非常低——这意味着它的安全性基础很好，不太容易出现严重的“误伤正常组织”的毒副作用。

一个靶点，覆盖这么多种癌症，这在CAR-T领域是极其罕见的。它意味着如果研发成功，一款疗法就能造福很多不同癌种的患者。

从小鼠实验看GPNMB CAR-T的真实战力

光有表达还不够，CAR-T细胞真的能靠GPNMB杀死癌细胞吗？

研究团队基于已经进入过临床的GPNMB抗体（glembatumumab vedotin）的抗原结合区，构建了第二代GPNMB CAR-T细胞，然后在体外和体内分别测试了它对三种癌症的效果。

血液瘤：精准清除，实现长期生存

CAR-T在血液肿瘤里的效果通常最好，研究团队首先测试了单核细胞白血病（ML）和急性髓系白血病（AML）。

体外实验显示，GPNMB CAR-T细胞非常“专一”：只有遇到GPNMB阳性的白血病细胞时，才会激活、增殖、释放细胞因子，并且高效杀伤肿瘤细胞；面对GPNMB阴性的B细胞白血病，则完全没有反应。

在小鼠体内实验中，研究人员给免疫缺陷小鼠注射了人单核白血病细胞，两天后输注GPNMB CAR-T细胞。

结果非常惊艳：对照组的小鼠很快就因为疾病进展达到安乐死终点；而接受CAR-T治疗的小鼠，体内的人源T细胞大量扩增，并且存活了数月之久，完全没有发病迹象，体重也保持稳定。

黑色素瘤：实体瘤突破，多数肿瘤完全消退

对于实体瘤，CAR-T的难度要大得多。

研究团队用了人黑色素瘤细胞的小鼠皮下移植模型。

体外实验中，GPNMB CAR-T对黑色素瘤细胞展现出了剂量依赖性的杀伤效果。到了体内，治疗组小鼠的外周血里，人源T细胞显著扩增，血清中的抗癌细胞因子也明显升高。

最关键的肿瘤体积数据显示：和对照组肿瘤快速生长不同，大多数接受GPNMB CAR-T治疗的小鼠，肿瘤都出现了完全消退，整体生存期得到了极其显著的延长。

结直肠癌：全部完全缓解，无一复发

既然GPNMB在多种实体瘤里都有表达，那它对其他实体瘤有效吗？

研究团队又测试了结直肠癌模型。

结果比黑色素瘤还要好：所有接受GPNMB CAR-T治疗的小鼠，肿瘤全部达到了完全缓解，并且在观察期内没有出现一例复发。小鼠的生存期同样显著长于对照组。

研究还发现，同样的CAR-T剂量，结直肠癌模型里的T细胞扩增程度比黑色素瘤模型更高，CD8阳性T细胞的比例也更明显。

这提示不同肿瘤的微环境，可能会影响CAR-T的效果，但无论如何，GPNMB在多种实体瘤里的抗肿瘤活性，都得到了实打实的验证。

三、不止于一个新靶点，AI正在改写免疫治疗的研发逻辑

GPNMB CAR-T的成功验证，当然是这项研究最直观的成果。但更深远的意义，在于这套AI驱动的靶点发现框架，正在改变整个CAR-T领域的研发范式。

领域影响：把靶点发现从“手工作坊”带进“工业化时代”

在这项研究之前，CAR-T靶点发现是一个高度依赖专家经验、周期长、成功率低的工作。一个好靶点的发现，往往需要多个团队花费数年时间，还可能走很多弯路。

而这套AI框架，把整个流程变成了一套可复制、可扩展、标准化的流水线：只要有对应的单细胞数据，就能快速筛选出对应疾病的最优靶点。

它不仅大大提升了效率，还降低了行业门槛——即便没有顶尖专家团队的机构，也能基于这套方法开展高质量的靶点研发。

更重要的是，它打破了“一种疾病找一个靶点”的传统思路。通过系统化的评估，AI能挖掘出像GPNMB这样“一靶多癌”的广谱靶点，这将极大地降低CAR-T疗法的开发成本，提升可及性。

AI的想象空间远不止找靶点

这项研究只是AI与细胞治疗结合的起点。论文中也提到，类似的思路未来可以延伸到更多方向：比如，除了单细胞转录组，还可以整合蛋白组、糖组、细胞内多肽等更多维度的数据，去发现更多类型的靶点，甚至开发针对胞内抗原的TCR-T疗法。

又比如，AI不仅能用来找靶点，还可以用来优化CAR的结构设计、设计逻辑门控、筛选多靶点组合、甚至规划临床试验方案。

而GPNMB本身的临床转化也值得期待。在这项研究收尾阶段，已经有临床病例报告显示，GPNMB CAR-T在肺泡软组织肉瘤患者身上展现出了活性，且没有出现严重的毒副作用。

随着更多临床研究的推进，这款跨癌种的CAR-T疗法，有望真正走到患者身边。

曾经，寻找CAR-T靶点就像在黑暗的大海里捞针，每一点进展都伴随着巨大的试错成本。而今天，人工智能就像是给研发者配上了“声呐系统”，让我们能系统性、高精度地扫描每一个潜在的可能。

GPNMB不是第一个CAR-T靶点，也绝不会是最后一个。但它的特别之处在于：它是第一个由AI系统发现、并通过完整实验验证的多癌种CAR-T靶点。

它的诞生，标志着AI正式从“辅助工具”走向了“核心参与者”的角色，深度参与到新药研发的核心决策环节。

当人工智能的算力与生命科学的创造力深度融合，我们有理由相信，未来会有更多像GPNMB这样的惊喜被发现，免疫治疗的边界，也将被一次次推向更远的地方。

医学AI交流群

目前小罗全平台关注量120,000+，交流群总成员4000+，大部分来自国内外顶尖院校/医院，期待您的加入！！

由于近期入群推销人员较多，已开启入群验证，扫码添加我的联系方式，备注姓名-单位-科室/专业，即可邀您入群。