The Question

Immune checkpoint inhibitors (ICIs) have transformed oncology — anti-PD-1/PD-L1 and anti-CTLA-4 antibodies produce durable responses in a subset of patients across many cancer types. But only 20–40% of patients benefit, and current biomarkers (PD-L1 expression, tumour mutational burden) are imperfect predictors. PD-L1 expression is heterogeneous within tumours and between biopsies; TMB thresholds vary across cancer types. Can machine learning models trained on routine clinical data — blood counts, liver function tests, LDH — predict ICI response better than current molecular biomarkers?

Landscape

Yoo et al. (2025) in Nature Medicine, developed SCORPIO — a machine learning system that predicts ICI efficacy using only routine blood tests and clinical data, without requiring tumour tissue or advanced genomic assays. Trained on 1,628 patients at MSKCC and validated across 10 phase 3 trials (4,447 patients) and an external cohort (1,159 patients), SCORPIO outperformed both PD-L1 and TMB as a standalone predictor. This finding has profound access implications: routine blood tests are available everywhere, while genomic testing requires specialised laboratories.

X. Wang et al. (2024) in Annals of Oncology, reviewed TMB as a predictive biomarker, documenting both its utility and limitations. TMB predicts ICI response across cancer types, but the optimal cut-off varies (10 mut/Mb for pembrolizumab's pan-cancer approval, but different thresholds may be appropriate for different tumour types). Technical variability between sequencing panels further complicates clinical implementation.

Di Federico et al. (2024) revealed a critical clinical problem: intrapatient variation in biomarker measurements. PD-L1 showed only moderate concordance between paired samples (rho=0.53), with major increases or decreases in approximately 9–10% of cases. TMB concordance was higher (rho=0.80) but PD-L1 variation alone can alter treatment decisions. This spatial heterogeneity fundamentally limits single-biopsy biomarker approaches, particularly for PD-L1.

Yin et al. (2024) reviewed emerging biomarkers beyond PD-L1 and TMB, including the tumour immune microenvironment (TIME), microsatellite instability (MSI), HLA diversity, and ctDNA-based approaches. Their analysis concluded that multivariable predictive models integrating multiple features will likely outperform any single marker.

Key Claims & Evidence

Open Questions

Referenced Papers

• [1] Yoo, S.-K. et al. (2025). SCORPIO: predicting ICI efficacy from routine blood tests. Nature Medicine. DOI: 10.1038/s41591-024-03398-5
• [2] Wang, X. et al. (2024). TMB for prediction of PD-(L)1 blockade efficacy. Annals of Oncology. DOI: 10.1016/j.annonc.2024.03.007
• [3] Di Federico, A. et al. (2024). Intrapatient variation in PD-L1 and TMB in NSCLC. Annals of Oncology. DOI: 10.1016/j.annonc.2024.06.014
• [4] Yin, X. et al. (2024). Predictive biomarkers in antitumor immunotherapy. Frontiers in Oncology, 14, 1483454. DOI: 10.3389/fonc.2024.1483454
• [5] Shao, M.-M. et al. (2024). TMB as a predictive biomarker in NSCLC treated with ICI. Clinical and Translational Oncology. DOI: 10.1007/s12094-023-03370-8

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 학술 연구에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 검증해야 한다.

면역치료 반응 예측: PD-L1과 TMB를 넘어서

분야: 의학 | 방법론: 임상-계산

저자: Sean K.S. Shin | 날짜: 2026-03-17

연구 질문

면역 관문 억제제(ICI)는 종양학을 변혁시켰다 — 항-PD-1/PD-L1 및 항-CTLA-4 항체는 다양한 암 유형에 걸쳐 일부 환자에서 지속적인 반응을 유도한다. 그러나 환자의 20–40%만이 치료 혜택을 받으며, 현재의 바이오마커(PD-L1 발현, 종양 돌연변이 부담)는 불완전한 예측 인자이다. PD-L1 발현은 종양 내부 및 생검 간에 이질성을 보이고, TMB 임계값은 암 유형에 따라 다르게 적용된다. 일상적인 임상 데이터 — 혈구 수, 간 기능 검사, LDH — 로 훈련된 기계학습 모델이 현재의 분자 바이오마커보다 ICI 반응을 더 잘 예측할 수 있을까?

연구 동향

Nature Medicine에 게재된 Yoo et al. (2025)은 종양 조직이나 고급 유전체 분석 없이 오직 일상적인 혈액 검사와 임상 데이터만으로 ICI 효능을 예측하는 기계학습 시스템인 SCORPIO를 개발하였다. MSKCC의 1,628명 환자 데이터로 훈련되고 10개의 3상 임상시험(4,447명 환자) 및 외부 코호트(1,159명 환자)에서 검증된 SCORPIO는 단독 예측 인자로서 PD-L1과 TMB 모두를 능가하였다. 이 발견은 의료 접근성 측면에서 중요한 함의를 지닌다: 일상적인 혈액 검사는 어디서나 시행 가능한 반면, 유전체 검사는 전문 실험실을 필요로 하기 때문이다.

Annals of Oncology에 게재된 X. Wang et al. (2024)은 예측 바이오마커로서 TMB를 검토하며 그 유용성과 한계를 모두 기술하였다. TMB는 다양한 암 유형에서 ICI 반응을 예측하지만, 최적 임계값은 다르게 나타난다(펨브롤리주맙의 범암종 승인을 위한 10 mut/Mb이지만, 종양 유형에 따라 다른 임계값이 적절할 수 있다). 염기서열 분석 패널 간의 기술적 변동성은 임상 적용을 더욱 복잡하게 만든다.

Di Federico et al. (2024)은 중요한 임상 문제를 밝혔다: 바이오마커 측정값의 환자 내 변동성이다. PD-L1은 쌍을 이룬 샘플 간에 중등도의 일치도만을 보였으며(rho=0.53), 약 9–10%의 사례에서 주요한 증가 또는 감소가 나타났다. TMB 일치도는 더 높았지만(rho=0.80), PD-L1의 변동성만으로도 치료 결정이 달라질 수 있다. 이러한 공간적 이질성은 단일 생검 바이오마커 접근법, 특히 PD-L1에 있어 근본적인 한계를 부여한다.

Yin et al. (2024)은 PD-L1과 TMB를 넘어선 새로운 바이오마커들을 검토하였으며, 여기에는 종양 면역 미세환경(TIME), 미세위성 불안정성(MSI), HLA 다양성, 그리고 ctDNA 기반 접근법이 포함된다. 이들의 분석은 다양한 특성을 통합하는 다변량 예측 모델이 단일 마커를 능가할 가능성이 높다는 결론을 내렸다.

핵심 주장 및 근거

미해결 과제