编辑推荐：
推荐阅读！本文介绍了 CAN-Scan 这一精准肿瘤学平台（PDC）。它通过对患者来源的原代细胞系进行药物筛选和机器学习分析，鉴定出结直肠癌（CRC）治疗反应的预后生物标志物，为个性化治疗提供新策略，极具科研与临床价值。
研究背景
精准肿瘤学常依赖基因驱动突变识别治疗靶点，但识别能基于治疗反应分层患者的多模态预后分子特征仍有待发展。以往利用癌细胞系结合机器学习的方法存在细胞系体外演化、药物剂量不临床相关、无法反映肿瘤异质性等问题。因此，建立基于生理相关模型且在临床相关剂量下测试的药物基因组数据集至关重要。本研究提出 CAN-Scan 平台，旨在发现癌症治疗的靶点和生物标志物。
CAN-Scan 平台构建及 PDC 模型特征
- 平台概述：CAN-Scan 平台利用患者来源的原代细胞系（PDC）建立冻存生物样本库，涵盖多种癌症类型，对约 84 种 FDA 批准药物在临床匹配浓度（Cmax）下进行药物反应测试，并对 PDC 模型进行多组学分析，运用机器学习算法建立药物特异性预测模型。
- PDC 模型特征
- 突变特征：通过全外显子测序（WES）发现，PDC 模型平均保留约 80% 亲本组织中的致癌非同义体细胞改变，且与 TCGA 数据相比，基因拷贝数改变（CNAs）具有高度一致性，能捕获患者间的遗传异质性。
- 转录组特征：转录组分析显示，PDC 模型的转录组空间主要由组织来源决定，且能捕获患者特异性转录模式。基于肿瘤上皮细胞内在特征可将 CRC-PDC 分为不同亚型，基因表达聚类分析揭示了亚型内的额外异质性，与多种信号通路相关。
- 表型特征：通过免疫荧光对 PDC 模型的蛋白标记物和信号通路活性进行分析，发现其在细胞状态和增殖能力相关标记物表达上存在异质性。
PDC 对 FDA 批准药物的治疗反应评估
- 药物筛选实验：对 19 种口腔鳞状细胞癌（OSCC）、47 种结直肠癌（CRC）和 4 种肝细胞癌（HCC）的 PDC 模型，在 Cmax、0.5 Cmax和 0.1 Cmax浓度下进行 84 种 FDA 批准药物的筛选，通过检测细胞活力（CV）和半胱天冬酶 - 3/7 活性（CA）评估治疗反应。
- 治疗反应相关性：部分标准治疗（SoC）药物在不同癌症模型中表现出不同疗效，如 5-FU 在 CRC 和 OSCC 模型中均有效果，而顺铂等在 OSCC 模型中显示出特异性活性。体外 PDC 模型的药物反应与患者临床结果显著相关，且转移性 PDC 对多种药物更具抗性。
基因组改变与治疗反应的关联
探索特定单核苷酸变异（SNVs）与药物反应的关系，发现激活的 KRAS-G12V 突变与对铂和拓扑异构酶抑制剂的抗性相关，与维莫非尼（BRAF 抑制剂）有一定相关性，但总体上 SNVs 与药物反应的相关性有限，可能因样本量不足。
转录组特征与药物反应的关联及生物标志物发现
- 通路分析：通过基因集变异分析发现，不同细胞状态相关通路的激活与对不同类型药物的反应相关，如 DNA 损伤、细胞增殖等通路与 DNA 和微管靶向细胞毒性药物反应相关。
- 基因表达与药物反应：研究发现基因表达是预测药物反应的关键特征，特定基因表达与药物反应相关，如 5-FU 耐药相关的基因表达特征，涉及 DNA 修复、细胞周期、WNT 信号通路等。此外，还发现不同上皮亚型对不同药物的敏感性存在差异。
基因表达特征预测 5-FU 反应及相关预后生物标志物
分析基因表达与 CNG/CNA 的关系，发现部分与 5-FU 耐药相关基因存在 CNG/CNA，如 BRAF 和 MUC3A。其中，11 个基因的表达不仅与 5-FU 反应相关，还能预测患者生存结果，且多数位于染色体 7。此外，还鉴定出一些拷贝数丢失与 5-FU 敏感性降低相关的基因，如 GAS8 和 WFS1。
机器学习整合分子特征预测治疗反应和患者生存
- 模型训练与评估：利用多种机器学习算法，基于 CRC-PDC 的多组学数据训练模型预测药物反应，并与公开数据集（GDSC）训练的模型对比。结果显示，基于 PDC 的模型性能更优，且在多个独立临床队列中得到验证。
- 模型预测能力及影响因素：PDC 模型在预测 5-FU 治疗反应和患者预后方面表现良好，而整合临床不相关药物浓度数据会降低模型性能。此外，PDC 数据集的反应异质性、药物浓度选择和药物活性一致性等因素对模型性能有重要影响。
- 多组学数据整合对模型的影响：尝试整合转录组和基因组（突变）数据训练模型，发现多数情况下，基因表达数据训练的模型性能更好，但在某些情况下，整合突变数据可略微提升模型性能。
- 替代治疗策略预测：利用训练的模型预测 5-FU 耐药患者的替代治疗策略，发现部分对 5-FU 不敏感的患者可能对瑞戈非尼和维莫非尼等靶向治疗有反应。
研究总结与展望
CAN-Scan 平台通过整合 PDC 模型的药物反应和分子特征，为发现生物标志物驱动的治疗策略提供了有力工具。研究鉴定出与 5-FU 耐药相关的基因和染色体改变，为进一步研究提供方向。尽管基因表达在预测治疗反应中起重要作用，但多组学数据整合的机器学习方法仍需发展。此外，PDC 模型缺乏肿瘤微环境（TME）成分，未来研究可考虑构建复杂共培养模型，以更好地模拟临床情况。
