AI 在 CAR-T 研发阶段的辅助作用
在实验室阶段，AI 为攻克 CAR-T 研发提供多方面的辅助与探索方向。
· 辅助CAR 结构优化
CAR 结构会影响其靶向性和活性，传统结构设计依赖经验试错，效率低下，AI 通过大量数据学习和结构预测，有望辅助快速筛选出最优的结构方案，从而为提升 CAR-T 细胞的治疗效果提供支持。
例如，AI 驱动的 CAR-Toner 平台通过分析 17 万条蛋白质序列，可高效计算阳性电荷补丁（PCP）评分，为 CAR 结构设计提供指导 —— 如基于该平台筛选出的驼类纳米抗体 VHH 构建的 CAR，在研究中显示出更适宜的基底信号和更优的抗肿瘤活性[1]。
图1. CAR-Toner的三大功能：输入CAR抗原结合域的序列后，CAR-Toner可以计算单个或批量输入序列的PCP，并为所提供的蛋白质提供PCP优化解决方案。
· 助力多组学关联的挖掘与分析
CAR-T 细胞的多组学（基因组学、转录组学等）数据中蕴含着与癌症治疗相关的潜在信息。AI 技术通过深度学习算法，有望突破传统分析方法的局限，辅助捕捉不同组学数据间的关联性，为从复杂数据中挖掘 CAR-T 研发的依据提供支持。
例如，在一项研究中，研究人员使用单细胞转录组学对 CD8+T 细胞进行聚类，并应用机器学习来揭示亚群内与年龄相关的转录变化。该模型在识别输注 CAR-T 细胞发育阶段、预测其细胞年龄和治疗结果以及评估治疗效果方面显示出一定潜力[2]。
通过此类关联分析，研发人员可进一步明确细胞发育阶段与治疗效果的内在联系，为优化 CAR-T 细胞的设计提供参考依据，同时可能减少无效研发投入。
AI 在 CAR-T 临床应用中的潜在价值
AI 技术在 CAR-T 疗法的临床转化过程中同样展现出一定的应用潜力，其在疗效与风险预测等方面的探索，有望提升 CAR-T 疗法临床应用的安全性与高效性。
CAR-T 领域研究进展迅速，相关文献和临床数据海量且复杂。GPT 等大语言模型凭借高效处理和分析信息的能力，在辅助文献搜集、患者数据整合等方面具有潜力，可帮助医生更高效地发掘影响 CAR-T 治疗应用的因素，为选择更安全、更高效的治疗方式提供参考[3]。
由于不同患者对 CAR-T 疗法的响应存在较大差异，提前预测疗效和风险有助于医生制定更合适的治疗方案，从而减少无效治疗和严重不良反应，提高治疗安全性。AI 模型通过整合多组学数据与临床指标，有助于构建预后评估工具。
例如，InflaMix 模型通过分析 14 项炎症标志物，在识别非霍奇金淋巴瘤患者中 CAR-T 治疗失败的高风险人群方面显示出一定价值，其仅用 6 项常规指标时也显示出一定的预测可靠性[4]。
现存局限性
尽管 AI 在推动 CAR-T 疗法发展中展现出显著优势，但目前仍存在一些不容忽视的局限性，制约着其进一步应用。
· 数据质量与共享难题
AI 模型的性能高度依赖高质量、大规模的数据支持，但目前不同研究机构的数据采集规范、检测方法等之间存在差异，且数据涉及患者隐私和机构利益，整合共享数据面临技术和伦理的挑战，这可能在一定程度上影响了AI的泛用性和分析的准确性。
· 临床转化存在鸿沟
实验室中 AI 优化的 CAR-T 设计、预估的治疗效果等分析，在向实际临床转化时，常面临安全性验证、规模化生产等问题，难以快速应用于实际治疗或在实际应用中达到预期结果。
这是因为多数 AI 模型，尤其是深度学习模型，属于 “黑箱” 模型，其决策过程和依据难以被清晰解读。在 CAR-T 疗法中，医生需要明确了解 AI 预测结果的底层逻辑才能放心应用，这种不可解释性可能降低其在临床实际转化中的效率。
未来展望
尽管当前 AI 助力 CAR-T 疗法发展仍存在局限性，但随着技术的不断进步和研究的深入，未来仍有广阔的突破空间。例如可能实现以下三个方向：
· 多技术融合：当AI 与多组学、实时成像技术结合，有望实现对 CAR-T 细胞与肿瘤微环境互作的动态解析，从而在研发阶段就能做到更精准的预测，加快研发成果的临床转化；
· 适应症拓展：利用 AI 的多数据分析，有望挖掘更多疾病中的潜在靶点，推动 CAR-T 疗法向更多领域延伸；
· 个性化治疗普及：通过 AI 快速设计患者专属 CAR 结构、预测最优输注方案，可能降低治疗成本，让更多患者受益。
AI的深度学习与数据整合能力，已在CAR-T疗法研发到临床的多个环节展现中出辅助潜力，为各阶段提供了新的思路和可能的临床解决方案。未来，随着AI技术与CAR-T研发技术的持续突破、深度融合与创新，CAR-T疗法的效率与安全性有望实现显著跃升，最终惠及更多期待治疗的患者。
参考文献
[1] Qiu, S., Chen, J., Wu, T. et al. CAR-Toner: an AI-driven approach for CAR tonic signaling prediction and optimization. Cell Res 34, 386–388 (2024).
[2] Lu J, Ahmad R, Nguyen T, Cifello J, Hemani H, Li J, Chen J, Li S, Wang J, Achour A, Chen J, Colie M, Lustig A, Dunn C, Zukley L, Chia CW, Burd I, Zhu J, Ferrucci L, Weng NP. Heterogeneity and transcriptome changes of human CD8 T cells across nine decades of life. Nat Commun. 2022 Sep 1;13(1):5128. doi: 10.1038/s41467-022-32869-x. PMID: 36050300; PMCID: PMC9436929.+
[3] Gong, Y., Fei, P., Zhang, Y., et al. (2025). From Multi-Omics to Visualization and Beyond: Bridging Micro and Macro Insights in CAR-T Cell Therapy. Advanced Science, 12(10), 2501095.
[4] Raj, S.S., Fei, T., Fried, S. et al. An inflammatory biomarker signature of response to CAR-T cell therapy in non-Hodgkin lymphoma. Nat Med 31, 1183–1194 (2025).
