癌症新抗原疫苗的难点，不只是"能不能诱导T细胞"，还包括抗原在体内停留多久、能否到达引流淋巴结、APC摄取后何时呈递、T细胞扩增是否足以转化为肿瘤控制。
这篇文章用半机制PKPD建模，把新抗原疫苗从"动物实验疗效观察"推进到"剂量-暴露-免疫反应-肿瘤动态"的可模拟框架。
这篇的抓手：作者围绕ADAC/BiTag抗体-肽偶联疫苗，把 药代动力学、APC摄取呈递、T细胞扩增 和 肿瘤生长抑制 连接成一个多尺度模型，用于指导疫苗设计和剂量优化。
文献信息
| 项目 | 内容 |
|---|---|
| 标题 | Evaluating neoantigen-vaccine responses through mechanistic and model-based frameworks |
| 中文理解 | 本文面向新抗原肽疫苗转化中"多层实验数据难以整合"的问题，构建半机制PKPD模型框架，比较游离合成长肽疫苗与CD40靶向ADAC/BiTag抗体-肽偶联疫苗，并定量说明抗原偶联稳定性、淋巴结暴露、APC呈递和CD8+T细胞扩增如何共同影响TC-1和MC38肿瘤模型中的疗效。 |
| 期刊 | NPJ Precis. Oncol. |
| 发表时间 | 2026-06-24 |
| 研究方向 | 新抗原疫苗、肿瘤免疫、模型化药物开发、PKPD、T细胞动力学、抗体偶联递送 |
| 核心资源/队列 | ADAC/BiTag平台；STRIKE2001；TC-1和MC38小鼠肿瘤模型；PK、APC摄取、T细胞扩增和肿瘤生长实验 |
| 数据规模 | 整合3项体内PK实验、体外肽摄取释放实验、4项T细胞扩增实验和多组体内肿瘤生长实验 |
| 核心方法 | 半机制PKPD建模；NONMEM；PK模型、APC摄取模型、T细胞动力学模型、肿瘤生长动力学模型 |
| DOI | 10.1038/s41698-026-01579-8 |
| PMID / PMCID | PMID: 42342810；PMCID: PMC13294367 |
这篇文章解决了什么问题
合成长肽疫苗在早期研究中常常表现不错，但进入更大规模临床后疗效并不稳定。一个重要原因可能是：抗原在真正发生T细胞启动的部位暴露不足、持续时间太短，或者递送方式没有把抗原和免疫刺激有效带到APC。
ADAC平台的思路是用一个CD40靶向的双特异性抗体作为递送和佐剂工具，通过高亲和力pTag结合不同肽抗原，形成可快速组装的BiTag疫苗。这样既能稳定肽抗原，又能把抗原递送给CD40+抗原呈递细胞。
本文的核心不是再做一个单独的疗效实验，而是建立一个能解释"为什么有效、什么条件更有效、剂量怎么调"的模型化框架。
文章摘要
作者构建了一个 多尺度半机制PKPD模型，用于整合新抗原疫苗的多层预临床数据。研究比较了合成长肽疫苗以及基于ADAC技术的抗体-肽偶联疫苗。ADAC/BiTag设计通过pTag肽标签与CD40靶向双特异性抗体高亲和结合，使抗体既作为递送载体，也提供免疫刺激。模型由四个子模块组成：药代动力学、APC肽摄取和呈递、T细胞动力学、肿瘤生长动力学。在PK层面，偶联形式延长了肽抗原暴露；在免疫层面，模型连接了肽-MHC复合物、CD8+/CD4+ T细胞扩增和记忆T细胞状态；在肿瘤层面，效应记忆CD8+T细胞驱动肿瘤缩小。模拟显示，提高pTag-抗体结合亲和力可改善偶联稳定性、T细胞扩增和肿瘤回归，MC38模型中还观察到抗体剂量依赖效应。
分析策略
- 先建PK模型：描述BiAb、pTag-peptide及其偶联物在皮下注射部位、引流淋巴结和血浆中的分布。
- 再建APC摄取模型：把游离肽和偶联肽连接到APC表面结合、内吞释放和肽-MHC呈递。
- 连接T细胞动力学：模拟CD8+和CD4+ T细胞从初始状态到效应记忆、中央记忆状态的扩增和分化。
- 落到肿瘤生长：在TC-1和MC38模型中把T细胞效应转化为肿瘤缩小和完全缓解比例。
材料与方法
| 模块 | 内容 |
|---|---|
| 疫苗平台 | ADAC/BiTag：CD40激动型双特异性抗体 + anti-pTag结构域 + pTag肽抗原 |
| 候选药物 | STRIKE2001，IgG2基础的人源化四价双特异性抗体 |
| PK实验 | C57BL/6或human CD40转基因小鼠，评估hock、flank皮下注射及静脉给药后的血浆和淋巴结暴露 |
| APC实验 | 体外DC摄取和释放实验，比较BiAb:pTag-peptide、BiAb、游离fTag-peptide和PBS |
| T细胞实验 | tghCD40小鼠中检测CD8+或CD4+ T细胞扩增，使用Fluorospot或流式分析 |
| 肿瘤模型 | TC-1模型使用pTag-HPV-16 E7肽；MC38模型使用pTag-ADPGK新抗原肽 |
| 建模工具 | NONMEM 7.5.1、PsN 5.2.6、R 4.1.1；FOCEI、SAEM和Laplacian扩展 |
| 模型验证 | 基于1000次模拟的simulation-based evaluation，比较观测中位数与模型预测区间 |
研究结果
ADAC/BiTag平台把肽抗原递送和CD40刺激合并到同一结构
ADAC平台通过pTag与anti-pTag结构域的高亲和结合，把不同肽抗原快速装载到CD40靶向抗体上，形成BiTag疫苗结构。
这个设计的优势在于模块化：抗体骨架提供CD40靶向和免疫刺激，pTag肽可以替换成不同新抗原。对个体化癌症疫苗来说，这意味着同一个递送平台可以适配多种肿瘤抗原序列。
四个子模型连接了剂量、淋巴结暴露、T细胞响应和肿瘤动态
作者搭建的框架包括PK模型、APC肽摄取模型、T细胞动力学模型和肿瘤生长动力学模型。每个模块对应疫苗作用链条中的一个关键环节。
这种设计让模型不只是拟合肿瘤体积，而是从给药后抗原如何进入淋巴结开始，一直追踪到APC呈递、T细胞扩增和肿瘤缩小。对疫苗开发而言，这比单纯比较不同给药组的终点肿瘤体积更有解释力。
偶联形式显著改变肽抗原的体内暴露
PK模型显示，hock皮下注射后，约57%的吸收剂量进入腘淋巴结，其余进入腹股沟淋巴结，平均转运时间约6.1小时。游离pTag-peptide吸收和清除都很快，平均半衰期只有约23秒。
相比之下，BiAb:pTag-peptide偶联物在注射部位的降解半衰期约31小时，抗体线性清除半衰期约29小时。模型评估中，观测浓度中位数大多落在预测中位数的90%置信区间内，支持PK子模型能较好描述不同给药路径下的暴露过程。
关键生物学含义：偶联不是简单改变分子形式，而是延长了抗原在相关组织中的可用时间。
T细胞模型把肽-MHC呈递转化为CD8+/CD4+扩增
在APC摄取模型中，游离肽可以快速进入细胞内，而偶联肽需要经历CD40介导摄取和释放，因此呈现延迟但更持久的肽-MHC形成过程。
随后，T细胞动力学模型模拟初始T细胞被肽-MHC激活，扩增为效应记忆T细胞，并与中央记忆T细胞之间转化。作者同时考虑MHC-I/CD8+和MHC-II/CD4+路径，使模型能够描述不同肽抗原和免疫 readout。
肿瘤生长模型显示CD8+效应记忆T细胞驱动肿瘤缩小
作者在TC-1和MC38两个肿瘤模型中建立肿瘤生长动力学模型。TC-1自然生长更适合用指数-线性模型描述，MC38则用Gompertz模型描述。
疫苗诱导的肿瘤缩小由效应记忆CD8+T细胞介导，并加入效应延迟项，以捕捉T细胞产生抗肿瘤作用前的时间滞后和作用持续性。对于TC-1模型，最大T细胞诱导肿瘤缩小速率约为0.084 day−1，半最大效应对应约1093个T细胞。
模拟提示结合亲和力和抗体剂量会改变完全缓解比例
模型应用部分进一步用模拟回答设计问题：如果改变pTag与抗体的结合亲和力，或者改变抗体剂量，T细胞扩增和肿瘤缓解会如何变化？
提高结合亲和力，也就是降低koff，可增强体内偶联稳定性，延长总肽抗原血浆停留时间，并提升淋巴结T细胞扩增。TC-1模型中，150 pmol BiAb加450 pmol pTag-peptide的prime剂量配合两次加强，可模拟得到约9-13%的完全缓解率；MC38模型中，同类方案的完全缓解率约为26-45%，而提高第二次BiAb剂量后可升至约61-68%。
这个结果把"亲和力设计"和"剂量设计"直接连接到了肿瘤完全缓解概率。
从这篇文章能迁移什么
方法借鉴：这篇文章的价值在于把预临床免疫数据拆成可解释模块。很多疫苗研究只报告T细胞扩增和肿瘤体积，而这里把抗原暴露、APC呈递、T细胞动力学和肿瘤动态串成了一个连续机制链。
迁移路线：候选疫苗/抗体递送平台 → PK暴露数据 → APC摄取/呈递数据 → T细胞扩增数据 → 肿瘤生长数据 → 半机制PKPD模型 → 剂量和亲和力模拟。这个流程可迁移到肿瘤疫苗、双抗递送、ADC、细胞因子融合蛋白和免疫激动剂组合治疗。
转化落点：模型可以帮助研究者在进入更昂贵动物实验或临床前，先模拟不同剂量、亲和力、给药频率和肿瘤免疫状态下的可能结果，从而减少盲目组合试验。
边界要清楚：这仍是基于小鼠和预临床数据的框架，TC-1和MC38代表不同免疫背景，但不能直接等同于人类肿瘤疫苗疗效。更合理的定位是转化决策支持，而不是临床疗效预测器。
总结
这篇文章展示了模型化药物开发在癌症疫苗中的具体用法。它把ADAC/BiTag抗体-肽偶联疫苗的分子设计、体内分布、APC摄取、T细胞扩增和肿瘤回归整合到同一个半机制框架中。
对于新抗原疫苗开发而言，这类模型可以帮助回答更接近研发决策的问题：抗原需要稳定多久、应当在哪些淋巴结达到足够暴露、T细胞扩增幅度是否足以转化为肿瘤控制，以及剂量和结合亲和力如何共同影响完全缓解。
真正有启发的是：当疫苗疗效被拆解为抗原暴露、APC呈递、T细胞扩增和肿瘤响应四个可计算环节，配方优化就从经验筛选变成了可模拟的机制问题。
参考文献
Ibrahim EIK, Laurén I, Veerman RE, Jönsson S, Ytterberg AJ, Lindqvist A, Mangsbo SM, Friberg LE. Evaluating neoantigen-vaccine responses through mechanistic and model-based frameworks. NPJ Precis. Oncol. 2026;10:245.
- PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13294367/
- DOI: https://doi.org/10.1038/s41698-026-01579-8
- PubMed: https://pubmed.ncbi.nlm.nih.gov/42342810/
- Journal: https://www.nature.com/articles/s41698-026-01579-8
- Data availability: 数据部分来自既往发表研究，未发表数据将上传公共库