CanSeer：基于多组学整合与动态网络分析的个性化癌症治疗新策略

针对癌症治疗中耐药性、患者个体差异和细胞毒性等挑战，巴基斯坦拉合尔管理科学大学团队开发了CanSeer方法，通过整合基因组(CNVs/SMs)和转录组(RNA-seq)数据构建个性化网络模型，动态评估药物组合疗效。该方法成功预测了LUSC患者的新型治疗组合(如Afuresertib+Palbociclib)，为精准肿瘤学提供了可量化疗效与毒性的临床转化框架。

　　

癌症治疗领域长期面临耐药性、患者个体差异和细胞毒性三大难题。尽管靶向药物如伊马替尼(imatinib)和维莫非尼(vemurafenib)取得突破，但单药治疗易产生耐药——例如65%的FLT3突变AML患者对gilteritinib耐药。传统方法缺乏整合多组学数据的能力，且难以量化药物组合效果。这促使研究者探索更系统的个性化治疗策略。

巴基斯坦拉合尔管理科学大学生物医学信息与工程实验室团队在《Scientific Reports》发表研究，开发了名为CanSeer的计算框架。该方法通过四个关键步骤实现突破：首先构建包含197节点/744边的布尔网络模型，编程五种细胞命运（增殖/凋亡等）；随后整合TCGA-LUSC患者的基因组(CNV/SM/SV)和RNA-seq数据；接着引入创新性"药物评分(DS)"系统，结合IC₅₀和基因表达量化药效；最终通过动态分析预测最优治疗方案。研究团队验证了该方法在肺鳞癌(LUSC)中的实用性，不仅重现了FDA已批准的奥希替尼(osimertinib)等单药疗效，更发现20种潜在新组合如Afuresertib+Palbociclib。

关键技术包括：1) 基于Cho等人网络的布尔模型构建与验证；2) TCGA数据库的基因组(CNV/SM)和转录组(RNA-seq)数据预处理；3) 药物敏感性数据(GDSC2)驱动的IC₅₀标准化评分(NDAS)；4) 动态网络分析平台TISON的确定性分析(DA)；5) 治疗响应指数(TRI)=疗效-细胞毒性的量化评估体系。

【结果】
CanSeer个性化癌症治疗框架：
开发了四步法流程：网络模型构建→多组学数据整合→动态分析→治疗评估。使用KEGG/Reactome数据库构建的197节点模型经扰动测试显示，DNA损伤信号使凋亡增加1.8倍而转移降低42%。

模型注释与动态分析：
在49对LUSC样本中，癌症模型显示凋亡平均降低37%，增殖增加24%。通过映射患者特异性突变（如EGFR扩增），模型准确捕捉个体差异。

治疗评估：
筛选出26种文献支持的组合（如Dabrafenib+Trametinib），并首次提出Afatinib+Oxaliplatin等20种新组合。DS系统显示AKT抑制剂ipatasertib的NDAS为0.0474，显著低于afuresertib(0.0715)。

【结论与意义】
该研究首创了整合多组学数据与动态网络分析的个性化治疗平台，解决了传统方法无法同时评估药物重定位、组合疗效和毒性的问题。通过量化指标TRI，临床医生可权衡治疗收益与风险。尽管需进一步验证（如类器官模型），CanSeer为精准肿瘤学提供了从计算模型到临床决策的转化桥梁，其开源代码(GitHub/BIRL)将促进领域发展。