Scholay

学术搜索 · AI 审稿 · LaTeX 协作

Cell：宾大用人机协同 AI 从万级候选中筛出 GPNMB，CAR-T 靶点发现开始系统化

顶级刊物论文速递 · 发布 2026-06-25T23:42:00+08:00 · 更新 2026-06-25T23:51:37+08:00

核心结论

宾夕法尼亚大学医学院 6 月 25 日宣布，研究团队在 *Cell* 发表论文《AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy》，用单细胞数据、LLM 和专家复核组成“人机协同”靶点筛选流程，并据此构建 GPNMB CAR-T，在黑色素瘤、白血病和结直肠癌小鼠模型中显示杀伤活性。重要性在于 CAR-T 靶点发现开始从高成本人工筛查转向更可复用的流程化发现；但当前仍停留在前临床验证，距离实体瘤临床转化还有安全性和特异性门槛。

宾夕法尼亚大学医学院与 Abramson Cancer Center 团队 6 月 25 日通过 Newswise 宣布，研究人员在 Cell 发表论文《AI-driven discovery of GPNMB CAR T cells as a multi-cancer therapy》，把公开单细胞测序数据、公共数据库、前沿大语言模型和专家复核串成一套人机协同的 CAR-T 靶点发现流程。论文最直接的成果，是从大规模候选中筛出 GPNMB 作为优先靶点，并进一步构建了针对这一分子的 CAR-T 细胞。

这篇论文首先处理的是 CAR-T 领域一个非常“卡脖子”的问题：血液肿瘤已有相对成熟的表面抗原，但当研究者把 CAR-T 推向黑色素瘤等实体瘤，最难的部分往往不是做 CAR 构型本身，而是如何快速、系统地找到一个既足够特异、又具有治疗价值的靶点。宾大团队选择把这个问题交给“公开数据 + LLM + 专家”联合解决。Newswise 可见内容显示，研究人员整合了 4 套公开皮肤癌单细胞 RNA 测序数据和多个公共数据库，先根据 CAR-T 靶点特征把 1 万多个候选分子压缩，再用多个前沿模型进行提名与排序，并把相关模拟独立重复 1000 次，以尽量削弱幻觉和偶然偏差。

流程价值之外，论文还给出了前临床验证。团队对优先候选做了实验确认，证明其确实表达在癌细胞表面，并以 GPNMB 为靶点构建 CAR-T。进一步的实验室和小鼠模型测试显示，这套 GPNMB CAR-T 不只在黑色素瘤模型里表现出杀伤活性，在白血病和结直肠癌模型中也显示出作用。这让论文的重点不再只是“AI 推荐了一个名单”，而是“AI 推荐的名单已经走到了生物学验证与治疗构建”。

为什么这篇 Cell 论文值得关注？因为它把 CAR-T 靶点发现从高度依赖个体经验、样本资源和漫长人工筛选的工作，推进到一种更可复制的方法学框架。宾大团队甚至把框架设计成模块化、疾病无关的形式，并强调基于公共数据运行，希望让没有大规模自有测序资源的团队也能参与靶点发现。若这一模式被更多研究者采用，实体瘤 CAR-T、细胞治疗乃至其他靶向疗法的早期发现流程都可能被改写。

但边界不能被热闹气氛盖掉。当前结果仍是前临床阶段，距离真正进入人体试验还有多个难点，包括 GPNMB 在正常组织中的表达边界、跨癌种靶向的脱靶风险、实体瘤微环境的抑制效应，以及模型内有效是否能转化为患者获益。更稳妥的判断是：这篇论文最先改变的，是“找靶点的方法”；至于“GPNMB CAR-T 会不会成为下一款真正可用的广谱细胞疗法”，还要等待后续更严格的安全性和转化研究。

信息来源

可信度说明

主要依据宾大医学院通过 Newswise 发布的机构稿，以及 Crossref/DOI 可核验的 *Cell* 论文题名与 DOI。可确认的信息包括论文期刊层级、公开数据整合、1 万级候选压缩、人机协同排序和 GPNMB CAR-T 的前临床验证。边界在于当前公开证据以机构解读和论文元数据为主，尚缺完整全文中的安全性细节与更细粒度实验参数。

同主题情报