Cabezón-Gutiérrez, LuisPalka-Kotlowska, MagdaCustodio-Cabello, SaraRosero-Rodriguez, Adriana CarolinaChacón-Ovejero, Beatriz2026-09-152026-09-152026-07-02Cabezón-Gutiérrez, L, Palka-Kotlowska, M, Custodio-Cabello, S, Rosero-Rodriguez, A C & Chacón-Ovejero, B 2026, 'Integrating chemokine signatures and multi-omic biomarkers to predict immunotherapy response in non-small cell lung cancer : a comprehensive narrative review', Frontiers in Oncology, vol. 16, 1830731. https://doi.org/10.3389/fonc.2026.18307312234-943XPubMedCentral: PMC13372898unpaywall: 10.3389/fonc.2026.1830731https://hdl.handle.net/10641/8271Publisher Copyright: Copyright © 2026 Cabezón-Gutiérrez, Palka-Kotlowska, Custodio-Cabello, Rosero-Rodriguez and Chacón-Ovejero.El cáncer de pulmón no microcítico (CPNM) es la principal causa de mortalidad relacionada con el cáncer a nivel mundial. Aunque los inhibidores de los puntos de control inmunitario (ICI; ICIs en inglés) dirigidos contra PD-1/PD-L1 y CTLA-4 han revolucionado el panorama terapéutico, solo el 20–30 % de los pacientes no seleccionados logran beneficios clínicos duraderos. Dado el valor predictivo imperfecto de los marcadores tradicionales, como la expresión de PD-L1 y la carga mutacional tumoral, existe una necesidad urgente de biomarcadores multidimensionales que guíen la inmunoterapia personalizada. Esta revisión evalúa las herramientas predictivas emergentes, con un enfoque específico en las firmas de quimiocinas y los biomarcadores multiómicos (genómicos, transcriptómicos, proteómicos y metabolómicos), incluidos los modelos integradores. Al examinar el fundamento biológico que vincula las redes de quimiocinas del microambiente tumoral con la inmunidad antitumoral, se discuten los avances recientes en la caracterización que permiten obtener firmas predictivas exhaustivas. Se realizó una búsqueda narrativa exhaustiva en PubMed y EMBASE (2015–2026) para identificar estudios relevantes revisados por pares, ensayos clínicos y análisis computacionales. La evidencia sugiere que la integración de perfiles de quimiocinas con datos multiómicos tiene un gran potencial para mejorar la selección de pacientes. Es probable que los modelos multidimensionales que incorporan la genómica tumoral y las características del microambiente inmunitario superen a las pruebas de un solo analito en la identificación de respondedores a ICI. A pesar de los desafíos persistentes, como la heterogeneidad tumoral, la estandarización de los ensayos y la complejidad de la integración de datos, el desarrollo de biopsias líquidas y modelos avanzados de aprendizaje automático ofrece una vía hacia nomogramas predictivos robustos y aplicables clínicamente, que se espera refinen la toma de decisiones en inmunoterapia y mejoren significativamente los resultados clínicos para los pacientes con CPNM. [Traducción automática al español; idioma original: inglés.]Non-small cell lung cancer (NSCLC) is the leading cause of cancer-related mortality worldwide. While immune checkpoint inhibitors (ICIs) targeting PD-1/PD-L1 and CTLA-4 have revolutionized the therapeutic landscape, only 20–30% of unselected patients achieve durable clinical benefits. Given the imperfect predictive value of traditional markers, such as PD-L1 expression and tumor mutational burden, there is an urgent need for multidimensional biomarkers to guide personalized immunotherapy. This review evaluates emerging predictive tools, with a specific focus on chemokine signatures and multi-omic (genomic, transcriptomic, proteomic, and metabolomic) biomarkers, including integrative models. By examining the biological rationale linking tumor microenvironment chemokine networks to antitumor immunity, we discuss recent advances in profiling that enable comprehensive predictive signatures. A comprehensive narrative literature search of PubMed and EMBASE (2015–2026) was performed to identify relevant peer-reviewed studies, clinical trials, and computational analyses. Evidence suggests that integrating chemokine profiles with multi-omic data holds significant promise for improving patient selection. Multidimensional models incorporating tumor genomics and immune microenvironment features are likely to outperform single-analyte tests in identifying ICI responders. Despite ongoing challenges, such as tumor heterogeneity, assay standardization, and data integration complexity, the development of liquid biopsies and advanced machine learning models offers a path toward robust, clinically applicable predictive nomograms, which are expected to refine immunotherapy decision-making and significantly improve clinical outcomes for patients with NSCLC.151499341enghttp://creativecommons.org/licenses/by-nc-nd/4.0/NSCLCbiomarkerschemokinesimmunotherapymulti-omicsprecision oncologypredictive biomarkerstumor microenvironmentOncologyCancer ResearchSDG 3 - Good Health and Well-beingYesyesreview articleopen access10.3389/fonc.2026.1830731https://www.scopus.com/pages/publications/105046824453https://www.scopus.com/pages/publications/105046824453#tab=citedBy