基于遗传条形码的癌症耐药演化动力学定量测量新方法揭示结直肠癌细胞耐药机制

《Nature Communications》：Quantitative measurement of phenotype dynamics during cancer drug resistance evolution using genetic barcoding

本研究针对癌症治疗中耐药性演化这一关键难题，开发了结合遗传条形码(genetic barcoding)和数学建模的创新框架，通过追踪SW620和HCT116两种结直肠癌细胞系对5-Fu化疗的耐药演化过程，首次实现了不依赖表型直接测量的耐药动力学定量分析。研究发现SW620细胞通过稳定的预存耐药亚群产生耐药性，而HCT116细胞则经历表型转换进入缓慢生长的耐药状态并随机发展为完全耐药，单细胞RNA测序(scRNA-seq)和单细胞DNA测序(scDNA-seq)验证了这两种截然不同的演化路径。该研究为快速表征不同实验环境下的耐药机制提供了通用工具。

癌症治疗面临的最大挑战是耐药性的产生。尽管近年来靶向治疗和免疫治疗取得重大进展，但肿瘤细胞通过遗传或非遗传机制产生的耐药性仍是临床治疗失败的主要原因。传统研究主要关注耐药性的分子机制，但对耐药表型的起源、出现时机和传播速率等动态过程仍缺乏直接观测手段。这就像试图理解一场森林大火的发展过程，却只能看到最终的燃烧痕迹——我们迫切需要新的方法来捕捉"火势蔓延"的动态细节。

英国伦敦大学玛丽皇后学院巴茨癌症研究所的Frederick J.H. Whiting团队在《Nature Communications》发表重要研究，开发了一种创新的数学建模框架，通过结合遗传条形码技术和群体动态数据，实现了对癌症耐药演化过程的定量测量。这项研究犹如给科学家们配备了一个"演化显微镜"，使他们能够观察到耐药性如何在细胞群体中产生和传播的动态过程。

研究人员采用了三大关键技术方法：1)遗传条形码技术(ClonTracer系统)对SW620和HCT116两种结直肠癌细胞系进行谱系追踪；2)长期药物处理实验设计，包括周期性5-Fu化疗处理和多个时间点的样本采集；3)创新的数学建模框架，包含三种逐步复杂的表型转换模型，结合近似贝叶斯计算(ABC)进行参数推断。此外还运用单细胞RNA测序(scRNA-seq)和单细胞全基因组测序(scWGS)进行分子验证。

定量模型揭示耐药演化路径

研究团队设计了三个逐步复杂的数学模型来描述耐药性演化。Model A假设敏感细胞可单向转换为耐药表型；Model B增加耐药细胞逆转为敏感表型的可能性；Model C则引入第三种"逃逸"表型，可摆脱耐药细胞的适应性代价。通过模拟实验证明，结合群体大小变化和谱系分布数据的建模框架能准确还原真实的演化动态。

实验验证不同耐药机制

在SW620细胞中，模型推断存在稳定的预存耐药亚群(p=1.1×10^-4)，耐药表型转换率低(μ=7.6×10^-7)，这与单细胞测序显示的共享基因组改变和转录组特征一致。而HCT116细胞则表现出更复杂的双阶段演化：首先高频转换为缓慢生长的耐药表型(μ=7.6×10^-2)，随后通过罕见事件(α=2.5×10^-4)摆脱生长抑制，形成快速增殖的耐药克隆，这与"持久细胞"(persister cells)理论相符。

功能实验验证模型预测

单细胞分析显示，SW620耐药细胞保持稳定的转录组和拷贝数特征，而HCT116则表现出显著的异质性。特别有趣的是，通过细胞大小分选发现HCT116中存在两种明显不同的亚群：大细胞呈现独特的转录特征，而小细胞更接近亲本表型，这为模型预测的阶段性演化提供了直接证据。

这项研究的重要意义在于建立了连接细胞表型动态与分子特征的通用框架。与传统的终点式耐药性检测不同，该方法能够捕捉耐药性产生的动态轨迹，区分预存突变选择与获得性表型转换等不同机制。特别值得注意的是，研究发现即使在缺乏直接表型测量的情况下，通过谱系追踪数据也能准确推断耐药细胞的演化行为，这为临床样本研究提供了重要启示。未来，这种"演化动力学"视角可能帮助我们设计更精准的联合治疗方案，例如针对不同耐药机制采取相应的干预策略，最终实现癌症治疗的个性化与精准化。