前言

         2026年8月19日，默沙东与莫德纳公布一项黑色素瘤Ⅲ期临床研究的阳性顶线结果。研究评价的是一种患者特异的信使RNA（messenger RNA，mRNA）新抗原治疗与帕博利珠单抗联合使用。该治疗曾以mRNA-4157/V940为研发标识；世界卫生组织于2025年公布其推荐国际非专利名称intismeran autogene，后文统一称为V940个体化新抗原mRNA治疗。[1,2]

         这项Ⅲ期研究的代号为INTerpath-001，即V940联合帕博利珠单抗用于完全切除后高风险皮肤黑色素瘤的Ⅲ期临床研究。研究共纳入1,137名ⅡB、ⅡC、Ⅲ或Ⅳ期患者。预设期中分析显示，联合治疗达到无复发生存期（recurrence-free survival，RFS）主要终点和无远处转移生存期（distant metastasis-free survival，DMFS）关键次要终点。按默沙东与莫德纳公布的Ⅲ期顶线结果，这是个体化新抗原治疗首次取得阳性的Ⅲ期研究结果，也是mRNA癌症治疗首次取得阳性的Ⅲ期研究结果。[1] 截至2026年9月1日，V940仍属于在研治疗，尚未获批上市；目前公开的是Ⅲ期阳性顶线结果，完整风险比、事件率、患者亚组结果以及成熟的总生存期数据仍待公布。[1,3]。

         这项成果特殊的地方在于，治疗药物的一部分设计信息来自患者自己的肿瘤。

         肿瘤组织和外周血样本经DNA测序用于识别患者特异的体细胞突变，并结合肿瘤RNA测序评估相应突变基因的表达。计算算法进一步从这些突变中寻找可能被免疫系统识别的新抗原，优先级较高的候选被组合编码进一条患者特异mRNA，再制成脂质纳米颗粒（lipid nanoparticle，LNP）制剂。患者之间使用的是不同的新抗原组合和mRNA序列，而样本分析、计算设计、mRNA生产和LNP制剂沿用共同的技术体系。[2,3]

这条治疗路线可以概括为四个连续转换：

         肿瘤测序找到患者特异突变 → 机器学习辅助的算法筛选和排序新抗原 → mRNA把新抗原信息转化为可制造的患者特异药物 → 免疫系统产生针对肿瘤的T细胞反应。

         其中一个关键环节发生在“发现突变”和“筛选具有免疫治疗潜力的新抗原”之间。肿瘤中可以存在大量体细胞突变，但其中能够形成突变肽、经患者自身HLA分子呈递并进一步诱导新抗原特异性T细胞反应的候选只占一部分。公开资料显示，机器学习算法参与患者特异治疗的设计；在新抗原选择过程中，算法结合肿瘤突变、RNA表达、氨基酸序列保守性和患者HLA类型等信息，对候选新抗原进行筛选和排序。莫德纳还披露，机器学习算法用于优化intismeran的及时制造和向患者交付，但相关算法的完整模型架构、具体参数和实现细节尚未公开。[3,6]

1. 肿瘤突变如何变成患者特异新抗原

1.1 新抗原来自肿瘤特有的遗传改变

         癌细胞在发生和演化过程中不断积累体细胞突变。部分突变会改变蛋白质的氨基酸序列，由此产生正常细胞中不存在的突变蛋白片段。

         细胞内的蛋白质经过加工和降解后形成短肽。其中部分突变肽能够与人类白细胞抗原（human leukocyte antigen，HLA）结合，并被呈递到细胞表面。能够进一步被T细胞识别并诱导免疫反应的肿瘤特异性突变肽，是新抗原（neoantigen）的重要来源。[3]

从一个DNA突变发展到具有治疗价值的新抗原，需要经过一条连续的生物学过程：

         体细胞突变形成 → 突变基因表达 → 突变蛋白产生 → 突变肽形成 → HLA结合与呈递 → T细胞识别和应答。

         一个突变即使可以从DNA测序中检测到，如果相应基因没有表达、突变肽无法形成、无法与患者HLA匹配，或者不能被T细胞有效识别，其作为治疗靶点的价值都会受到限制。

1.2 同一种黑色素瘤可以对应不同的新抗原组合

         不同患者的黑色素瘤并不具有完全相同的体细胞突变谱。

         HLA基因型又进一步增加了个体差异。不同HLA分子能够结合和呈递的肽段并不完全相同。因此，同一个突变形成的肽，在一名患者中可能具有较好的呈递能力，在另一名患者中则可能无法被相应HLA有效结合和呈递。

         患者特异新抗原主要受到两组变量共同影响：

         世界卫生组织对V940国际非专利名称的结构定义显示，一条V940 mRNA可以编码最多34种根据患者肿瘤突变谱和HLA类型选择的新抗原。[2]

         “一人一药”的分子基础由此形成：每名患者使用相同类型的mRNA-LNP技术体系，但mRNA中携带的新抗原编码内容根据患者自己的肿瘤数据发生变化。

2. 从肿瘤测序到候选新抗原

2.1 DNA、RNA和HLA分型分别提供什么信息

         2026年公开的V940端到端设计和制造流程显示，新抗原选择从患者的肿瘤组织和外周血样本开始，经过病理评价、DNA和RNA提取、下一代测序（next-generation sequencing，NGS）、变异识别、HLA分型以及后续计算分析。[3]

不同数据回答不同的问题：

         测序首先得到一个较大的候选突变集合。随后需要继续判断突变是否表达、能否产生合适的突变肽，以及这些肽能否与患者HLA匹配。

2.2 TESLA验证数据中，532个候选肽中34个具有实验免疫原性

         2026年Cai等建立了 CNNeoPP新抗原预测流程。CNNeoPP是一个把肿瘤DNA/RNA测序分析与深度学习新抗原预测结合起来的计算体系，其中CNNeo是负责新抗原分类和排序的深度学习模型。[4]

         研究人员使用肿瘤新抗原选择联盟（Tumor Neoantigen Selection Alliance，TESLA）建立的公开验证数据进行独立测试。该联盟通过统一的患者测序数据和实验验证结果，为不同新抗原预测算法提供共同的比较基准。CNNeoPP分析的5名患者中有3名黑色素瘤患者和2名非小细胞肺癌患者，共包含532个已经接受实验检测的单核苷酸突变来源候选肽，其中34个被实验确认具有免疫原性，占6.39%。[4,5]

这一结果呈现出新抗原筛选中的数量变化：

         肿瘤突变 → 候选突变肽 → 能够被实验确认具有免疫原性的候选

         这一结果说明，在该独立验证子集中，候选突变肽并不等同于具有实验免疫原性的新抗原；抗原表达、呈递和T细胞识别等因素均可能影响最终免疫原性。

图1 从患者测序数据到新抗原预测及实验验证

         图中A部分展示CNNeoPP新抗原预测流程：对肿瘤组织和外周血单个核细胞进行DNA测序，同时对肿瘤组织进行RNA测序；随后识别体细胞单核苷酸变异，获得患者HLA类型和肿瘤基因表达信息，将突变转换为相应肽序列并计算免疫原性相关特征，经基因表达过滤后进入CNNeo模型，最终得到排序后的候选新抗原。

         B部分展示来自肿瘤新抗原选择联盟（TESLA）的5名患者独立验证数据，包括3名黑色素瘤患者和2名非小细胞肺癌患者。5名患者共有532个经实验检测的单核苷酸变异来源候选肽，其中34个被实验确认具有免疫原性，占6.39%。

         C部分比较CNNeoPP与其他新抗原预测流程的排序能力。“Top 10、Top 20、Top 50”分别表示每种算法排序后优先级最高的前10、20和50个候选，柱形高度表示这些候选中包含多少个已经由实验确认具有免疫原性的新抗原。例如，CNNeoPP排序得到的前10、20和50个候选中，分别包含3、5和8个实验确认的新抗原。[4]

         原图中的 PBMC 指外周血单个核细胞；SNV 指单核苷酸变异；NSCLC 指非小细胞肺癌。图中的不同算法均基于同一组候选肽-HLA组合进行比较。

         图片来源： Cai Y等，2026，Figure 4。原始论文采用知识共享署名许可（Creative Commons Attribution，CC BY），原图未修改。

         注：532个候选肽中34个具有实验确认免疫原性这一比例来自CNNeoPP所使用的5名TESLA患者独立验证子集，用于说明从大量单核苷酸变异来源候选肽中识别具有实验免疫原性的新抗原存在较高筛选难度，不应视为V940或所有癌种、新抗原预测算法的固定免疫原性比例。[4]

3. 机器学习如何参与新抗原筛选

3.1 新抗原筛选需要同时处理多个生物学变量

         莫德纳2025年年度报告明确披露，V940使用NGS和基于机器学习的算法，根据每名患者的肿瘤突变和HLA类型设计mRNA，最多编码34种新抗原，并同时考虑可能诱导的CD8⁺和CD4⁺ T细胞反应。[6]

公开的V940流程显示，新抗原候选排序会综合考虑多类信息：[3]

         ①体细胞突变及其等位基因频率；

         ②突变基因在肿瘤中的RNA表达；

         ③氨基酸序列保守性；

         ④患者HLAⅠ类和Ⅱ类基因型；

         ⑤产生CD8⁺杀伤性T细胞和CD4⁺辅助性T细胞反应的预测潜力。

         这些变量分别对应候选新抗原形成过程中的不同限制条件。

         突变信息反映肿瘤发生了什么改变；

         RNA表达反映相应突变是否存在转录表达并具有产生蛋白的可能；

         氨基酸序列相关特征和HLA类型影响候选突变肽与HLA结合并被呈递的可能性；

         免疫原性相关特征用于进一步评估候选被T细胞识别并诱导免疫反应的可能性。

         在新抗原选择环节，机器学习用于整合这些变量，并对大量候选建立优先级。

3.2 从“能与HLA结合”扩展到“更可能具有免疫原性”

         传统的新抗原计算筛选通常将肽段与HLA的结合能力作为重要指标，但HLA结合只是形成免疫原性新抗原的条件之一。候选肽能否形成并被呈递，还受到基因表达、蛋白质表达、抗原加工和TAP转运等环节影响；形成肽-HLA复合物后，还需要被T细胞受体识别，才可能进一步诱导T细胞反应。

         2025年Lu等建立了OmniNeo多组学新抗原筛选流程。OmniNeo将基因组、转录组和蛋白质组信息与计算预测整合到同一流程中，并进一步利用深度学习模型OmniNeo-CNN对HLAⅠ类候选肽进行免疫原性评分和排序。[7]

图2 多组学与人工智能辅助的新抗原逐层筛选

         图中从肿瘤和正常组织的全外显子组或全基因组测序以及肿瘤RNA测序开始，识别单核苷酸变异、插入/缺失、融合和非编码区来源变异，并进行HLA分型、变异注释和候选突变肽提取。候选肽随后经过肽-HLA结合预测和TAP转运效率预测，再结合肿瘤RNA表达进行基因表达过滤；蛋白质组质谱数据用于提供蛋白质表达层面的过滤证据。之后，候选还可根据与实验验证免疫原性肽的序列相似性进一步筛选，HLAⅠ类候选再通过OmniNeo-CNN进行免疫原性评分，最终获得高可信度候选新抗原。[7]

         原图中的 WES/WGS 分别指全外显子组测序和全基因组测序；RNA-seq 指RNA测序；SNV 指单核苷酸变异；TAP 指抗原加工相关转运体，其转运效率会影响HLAⅠ类抗原呈递过程；LC-MS/MS 指液相色谱-串联质谱，在该流程中用于获得蛋白质组层面的实验信息并辅助确认候选突变肽的蛋白质表达；原图中的 MHC 指主要组织相容性复合体，在人类中相应分子称为HLA。

         图片来源： Lu M等，2025，Figure 2。原始论文采用知识共享署名许可（Creative Commons Attribution，CC BY），原图未修改。

         注：OmniNeo属于独立的新抗原预测研究，并非V940使用的专有新抗原选择算法。本图用于说明多组学信息和深度学习如何参与候选新抗原的逐层筛选，不代表V940实际算法的模型结构或具体筛选流程。

3.3 V940已公开的机器学习信息及其边界

         V940公开资料已经确认使用基于机器学习的算法，也公布了肿瘤突变、RNA表达、HLA类型和序列特征等主要输入信息。[3,6]

         V940专有算法的完整模型架构、训练数据组成、各特征权重和具体排序函数尚未公开。

         CNNeoPP和OmniNeo属于独立公开研究，可以显示当前新抗原计算领域如何利用测序、HLA、多组学和深度学习信息进行筛选。V940使用的是莫德纳自身的专有新抗原选择体系。[3,4,7]

         在V940的新抗原选择环节，机器学习承担的任务可以概括为：从每名患者大量不同的肿瘤突变中，对更可能被HLA呈递并诱导T细胞反应的候选新抗原进行优先级排序。

4. 从计算结果到患者特异mRNA药物

4.1 最多34种新抗原进入一条患者特异mRNA

         新抗原排序完成后，V940选择最多34种患者特异候选，将相应编码序列组合到一条合成mRNA中。[2,3]

         世界卫生组织对V940国际非专利名称的结构描述显示，其mRNA使用经过优化的新抗原编码序列，并采用N1-甲基假尿苷替代普通尿苷。N1-甲基假尿苷是一种修饰核苷，可改变mRNA的稳定性、翻译和先天免疫识别特征。[2]

患者特异药物的生成可以归纳为：

         mRNA生产阶段采用T7噬菌体RNA聚合酶进行体外转录，随后把mRNA包封于LNP中，形成患者特异批次。[3]

4.2 “一人一药”同时依赖前端数据质量和后端制造能力

         个体化治疗的生产从患者样本开始。样本质量、DNA/RNA提取、测序、新抗原识别和mRNA制造任何一个步骤出现问题，都可能影响最终药物生成。

         2026年公开的制造研究显示，在成功完成新抗原选择的患者中，V940后续制造成功率超过99%；从合格肿瘤组织和外周血样本提交到患者特异制剂送达临床中心，临床试验条件下约需6周。[3]

这种模式需要始终保持五类信息准确对应：

         患者身份—肿瘤样本—测序数据—mRNA序列—药物批次。

         mRNA的可编程特征使不同患者的抗原序列可以进入同一类生产体系。个体化治疗的规模化能力则同时取决于测序速度、算法计算、mRNA生产、质量控制和物流。

5. 新抗原mRNA如何转化为抗肿瘤免疫

5.1 mRNA把数字序列变成免疫系统能够识别的抗原

         V940进入体内后，细胞利用mRNA中的遗传信息合成相应的新抗原蛋白片段。抗原随后经过细胞内加工，形成可以由HLA呈递的肽段。

         HLAⅠ类分子主要参与向CD8⁺杀伤性T细胞呈递抗原；HLAⅡ类分子主要参与CD4⁺辅助性T细胞反应。V940的候选选择同时考虑这两类抗原呈递和T细胞反应。[3,6]

这一过程完成了治疗设计中的另一层信息转换：

         计算机中的患者特异序列 → 细胞内表达的新抗原 → T细胞能够识别的肿瘤标志。

5.2 黑色素瘤动物模型显示新抗原mRNA-LNP可诱导T细胞反应并延缓肿瘤生长

         2022年Sittplangkoon等使用B16F10小鼠黑色素瘤模型研究新抗原mRNA-LNP的免疫和抗肿瘤效应。原研究图8采用带有荧光素酶标记的B16F10-Luc2肿瘤细胞建立小鼠皮下黑色素瘤模型。

         研究选取来自 Pbk 基因和 Actn4 基因的两个体细胞突变作为新抗原来源。Pbk编码PDZ结合激酶，Actn4编码α-辅肌动蛋白4。两个突变新抗原的编码序列被组合进同一mRNA构建体，并采用脂质纳米颗粒递送。[8]

         研究比较了未修饰尿苷和全部采用N1-甲基假尿苷（m1Ψ）的新抗原mRNA-LNP。未修饰尿苷的新抗原mRNA-LNP能够增强抗原特异性T细胞反应，增加肿瘤内活化T细胞和Ⅰ型常规树突状细胞的活化相关指标，并明显延缓肿瘤生长。生存分析中，作者报告新抗原mRNA-LNP（Neo-LNP）处理小鼠中约三分之一存活至第35天，而对照组小鼠均在第29天前达到实验终点。[8]

图3 新抗原mRNA-LNP在小鼠黑色素瘤模型中的免疫与抗肿瘤效应

         A部分显示B16F10-Luc2小鼠黑色素瘤模型及给药时间；B部分检测脾脏CD8⁺ T细胞中颗粒酶B阳性细胞的比例；C部分比较不同处理组的肿瘤体积；D部分检测肿瘤浸润CD4⁺和CD8⁺ T细胞中CD69阳性细胞的比例；E部分检测肿瘤浸润Ⅰ型常规树突状细胞中共刺激分子CD40的表达；F部分比较不同处理组的动物生存情况。[8]

         原图中的 GzmB 指颗粒酶B，是细胞毒性T细胞发挥效应功能的重要分子；CD69 是T细胞活化相关标志物；cDC1 指Ⅰ型常规树突状细胞，在肿瘤抗原交叉呈递和CD8⁺ T细胞启动中发挥重要作用；CD40 是树突状细胞表面的共刺激分子，与树突状细胞活化及T细胞免疫启动有关；m1Ψ 指N1-甲基假尿苷。

         图片来源： Sittplangkoon C等，2022，Figure 8。原始论文采用知识共享署名许可（Creative Commons Attribution，CC BY），原图未修改。

         注：该研究比较了未修饰尿苷与N1-甲基假尿苷修饰mRNA，并使用其自身的脂质纳米颗粒体系，该研究的mRNA构建设计和脂质纳米颗粒体系与V940不同。本图用于展示“新抗原编码—mRNA递送—T细胞免疫反应—肿瘤控制”之间的动物实验关系，不作为V940具体制剂组成或临床疗效的直接证据。

5.3 帕博利珠单抗降低T细胞受到的PD-1抑制

V940与帕博利珠单抗承担不同的治疗功能。

         PD-1是T细胞等免疫细胞表面的抑制性免疫检查点。PD-1与PD-L1或PD-L2结合后可形成抑制性信号，降低T细胞活性。帕博利珠单抗通过阻断PD-1，降低这一抑制信号，为新抗原特异性T细胞持续发挥抗肿瘤效应提供更有利的免疫条件。

联合治疗形成了一条连续关系：

         患者特异新抗原提供识别目标 → 新抗原特异T细胞形成或扩增 → PD-1阻断降低T细胞受到的抑制。

5.4 患者体内已经检测到针对V940编码新抗原的T细胞

         2026年美国临床肿瘤学会年会公布了V940治疗后的T细胞研究结果。

         在3名接受V940联合帕博利珠单抗治疗的患者中，研究人员利用T细胞受体（T-cell receptor，TCR）测序和功能实验，鉴定出20个治疗后扩增的T细胞受体克隆，这些克隆对应11种V940实际编码的新抗原。部分反应在最后一次V940给药100天以后仍能够检测。[9]

         另外7名患者的功能实验显示，新抗原反应性CD8⁺ T细胞在相应突变肽刺激后能够产生干扰素γ、肿瘤坏死因子α，并出现与细胞杀伤相关的脱颗粒反应。[9]

         注：上述结果来自少量患者的机制性分析，为V940编码新抗原能够诱导相应T细胞反应提供了直接证据，但不能用于估算整个治疗人群的新抗原特异性T细胞应答率。[9]

6. 从患者特异设计到Ⅲ期临床获益

6.1 Ⅱb期研究建立临床疗效信号

         V940联合帕博利珠单抗最初在一项随机Ⅱb期研究中获得临床疗效信号。

         这项研究的代号为 KEYNOTE-942，即V940联合帕博利珠单抗治疗完全切除后高风险ⅢB—Ⅳ期皮肤黑色素瘤的Ⅱb期临床研究。研究共纳入157名患者，其中107名接受V940联合帕博利珠单抗，50名接受帕博利珠单抗单药。[10]

         2024年发表的初始结果显示，联合治疗组复发或死亡24例，单药组20例；18个月RFS分别约为79%和62%，RFS风险比为0.561（95% CI：0.309–1.017；论文报告双侧P=0.053）。该Ⅱb期研究按方案采用预设的单侧统计设计，单侧P=0.0266，因此达到研究预设的统计判定标准。[10]

2026年的5年随访属于描述性分析，未为该次分析分配正式α水平。结果显示，联合组相对于帕博利珠单抗单药组：[11]

         ①RFS风险比为0.510（95%置信区间：0.294–0.887），对应复发或死亡的瞬时发生风险相对降低约49%；

         ②DMFS风险比为0.411（95%置信区间：0.200–0.843），对应远处转移或死亡的瞬时发生风险相对降低约59%；

         ③OS风险比为0.471（95%置信区间：0.165–1.345），目前呈有利趋势，但置信区间仍跨越1，现阶段尚不能确认OS获益。

6.2 Ⅲ期研究将验证规模扩大至1,137名患者

         2026年公布结果的INTerpath-001研究把患者规模扩大到1,137人，并纳入完全切除的ⅡB、ⅡC、Ⅲ和Ⅳ期皮肤黑色素瘤患者。

         预设期中分析同时达到RFS主要终点和DMFS关键次要终点。公司报告两项改善均具有统计学显著性和临床意义，安全性特征与既往研究基本一致，未发现新的安全性信号。[1]

目前已经形成五个连续的证据层级：

         从患者的一份肿瘤组织到一份独立制造的mRNA治疗制剂，中间经历了肿瘤数据采集、新抗原筛选、序列设计和药物制造等连续环节；给药后还需要进一步形成针对所编码新抗原的免疫应答。

6.3 新抗原预测仍需提高‘有效候选’识别能力”

         新抗原预测仍具有较高的筛选难度。前述TESLA独立验证子集中，实验确认具有免疫原性的候选仅占较小比例。这一结果说明，从体细胞突变得到候选突变肽并不能直接推定其具有免疫原性，预测过程还需要进一步整合更接近真实抗原呈递和T细胞识别的数据。[4,5]

提高预测准确性还可进一步整合更直接反映抗原呈递和T细胞反应的数据：

         新抗原计算预测正在从以肽-HLA结合为核心的筛选，逐步扩展到综合考虑抗原表达、抗原呈递、T细胞识别和功能效应等信息。[4,5,7]。

6.4 个体化制造周转时间影响治疗可及性与适用场景

前述临床试验中，从提交合格肿瘤组织和外周血样本到患者特异制剂送达临床中心的周转时间约为6周。[3]

         这一周期涉及：

         样本处理 → 测序 → 新抗原计算筛选 → mRNA序列设计 → mRNA生产 → LNP制剂 → 质量放行 → 运输。

         术后辅助治疗可以提供一定的生产时间窗口。对于进展速度较快的晚期肿瘤，制造周期可能成为更加突出的临床限制因素。

         缩短患者特异药物的周转时间、提高前端测序和设计成功率、扩大患者批次并行生产能力，将与新抗原预测准确性共同影响这种治疗模式的可及性。

6.5 黑色素瘤结果向其他癌种扩展仍需要独立临床验证

         V940目前还在非小细胞肺癌、肾细胞癌、膀胱癌以及其他黑色素瘤治疗场景中开展临床研究。[1,6]

         不同癌种在体细胞突变数量、新抗原质量、HLA呈递能力、肿瘤内T细胞浸润和免疫抑制环境方面存在差异。

         2026年的Ⅲ期成果进一步表明，患者之间高度不同的肿瘤突变可以经过测序和计算筛选转化为患者特异的新抗原编码信息，并进一步制成可生产、可给药的mRNA治疗制剂。INTerpath-001共纳入1,137名患者，阳性顶线结果显示RFS主要终点和DMFS关键次要终点均已达到。[1]

         在治疗内容设计层面，机器学习承担的关键任务是从大量患者特异突变中筛选和排序更可能具有免疫治疗价值的新抗原；莫德纳还披露机器学习用于优化intismeran的及时制造和递送。[6]

         这种模式把肿瘤的个体差异从药物开发中的障碍，逐渐转化成了药物设计本身的输入信息。

7. 个体化信使RNA治疗相关代表化学品分类及科研应用

         说明：下列产品用于mRNA核苷、体外转录和脂质递送相关研究。V940公开资料显示，其mRNA使用N1-甲基假尿苷替代尿苷，并采用脂质纳米颗粒（LNP）递送，但具体LNP配方尚未公开。因此，表2和表3所列脂质作为相关科研中的代表性材料，不代表V940的实际处方成分。[2,3,6]

表1. RNA核苷、修饰核苷与体外转录原料

表2. 可离子化与阳离子核酸递送研究脂质

表3. 脂质纳米颗粒结构、膜行为与表面稳定研究脂质

         注：以上为阿拉丁代表性科研相关产品，具体用途应结合产品规格、批次COA及目标反应或评价体系确定。更多产品规格、级别和COA信息可用“品名/CAS/货号”在阿拉丁官网检索。

参考文献

[1] Merck & Co., Inc.; Moderna, Inc. Merck and Moderna Announce Phase 3 INTerpath-001 Trial of Intismeran Autogene Plus KEYTRUDA Met Endpoints of Recurrence-Free Survival and Distant Metastasis-Free Survival in Patients With Completely Resected Stage IIB-IV Melanoma. 2026-08-19.

[2] World Health Organization. Recommended International Nonproprietary Names (INN): List 93. WHO Drug Information. 2025;39(1):192–193.

[3] Ojalvo LS, Posadas T, Chattopadhyay N, et al. Intismeran Autogene Therapy: An End-to-End Pathway From Tumor Tissue to Individualized Neoantigen Treatment for Patients With Cancer. JCO Oncology Advances. 2026;3. DOI: 10.1200/OA-25-00206.

[4] Cai Y, Chen R, Song M, et al. CNNeoPP: a large language model-enhanced deep learning pipeline for personalized neoantigen prediction and liquid biopsy applications. Frontiers in Immunology. 2026;17:1722117. DOI: 10.3389/fimmu.2026.1722117.

[5] Wells DK, van Buuren MM, Dang KK, et al. Key Parameters of Tumor Epitope Immunogenicity Revealed Through a Consortium Approach Improve Neoantigen Prediction. Cell. 2020;183:818–834.e13. DOI: 10.1016/j.cell.2020.09.015.

[6] Moderna, Inc. 2025 Annual Report. Intismeran autogene development section. 2026.

[7] Lu M, Liu Y, Xu L, et al. OmniNeo: a multi-omics pipeline incorporating proteomics and AI selection for neoantigen optimization in tumor immunotherapy. Frontiers in Immunology. 2025;16:1727642. DOI: 10.3389/fimmu.2025.1727642.

[8] Sittplangkoon C, Alameh MG, Weissman D, et al. mRNA vaccine with unmodified uridine induces robust type I interferon-dependent anti-tumor immunity in a melanoma model. Frontiers in Immunology. 2022;13:983000. DOI: 10.3389/fimmu.2022.983000.

[9] Sullivan RJ, Carlino MS, Khattak MA, et al. Intismeran autogene to induce de novo neoantigen-specific T cells as adjuvant therapy in melanoma. Journal of Clinical Oncology. 2026;44(16_suppl):9564. DOI: 10.1200/JCO.2026.44.16_suppl.9564.

[10] Weber JS, Carlino MS, Khattak A, et al. Individualised neoantigen therapy mRNA-4157 (V940) plus pembrolizumab versus pembrolizumab monotherapy in resected melanoma (KEYNOTE-942): a randomised, phase 2b study. Lancet. 2024;403:632–644. DOI: 10.1016/S0140-6736(23)02268-7.

[11] Khattak A, Carlino MS, Meniawy T, et al. Intismeran Autogene Plus Pembrolizumab Versus Pembrolizumab Alone in High-Risk Resected Melanoma: 5-Year Update of the Randomized Phase IIb KEYNOTE-942 Study. Journal of Clinical Oncology. 2026. DOI: 10.1200/JCO-26-00835.

更多相关文章，详见下方：

肿瘤类器官的培养体系、表型鉴定与转化研究应用

HMGB1介导的损伤相关炎症信号与肿瘤免疫调控

纳米抗体的结构特征、工程化设计及其在肿瘤诊断与治疗中的应用

ANGPT2/TIE2信号轴在肿瘤血管生成与抗血管生成治疗中的作用

HER3信号网络在肿瘤进展、治疗耐药与靶向干预中的作用

NKG2A与NKG2D如何共同调控肿瘤免疫杀伤

肿瘤微环境中ECM动态重塑如何调控 肿瘤免疫应答？

肿瘤细胞中核苷酸的合成