《Acta Pharmaceutica Sinica B》:Pan-cancer analysis of patient-derived organoids for drug sensitivity prediction: A retrospective statistical framework to bridge the gap to clinical translation
编辑推荐:
类器官是三维(3D)组织工程模型,能够再现体内天然组织的结构和功能特征。患者来源类器官(PDO)培养技术的最新进展使临床医生能够在体外预测治疗反应,从而可能降低治疗失败风险并减轻患者发病率。然而,癌症表现出显著的瘤间和瘤内异质性以及基因组不稳定性,这受到不同肿
类器官是三维(3D)组织工程模型,能够再现体内天然组织的结构和功能特征。患者来源类器官(PDO)培养技术的最新进展使临床医生能够在体外预测治疗反应,从而可能降低治疗失败风险并减轻患者发病率。然而,癌症表现出显著的瘤间和瘤内异质性以及基因组不稳定性,这受到不同肿瘤类型和分期的源组织变异以及不同培养条件的影响。因此,除了PDO生成的技术质量、安全性和源组织活力外,评估效能的关键决定因素还包括患者队列的临床特征和测试药物的药理学特性。为了综合现有方法学、评估挑战并促进基于PDO的药物筛选在临床和临床前肿瘤学中的更好应用,本研究全面评估了已报道的PDO药物敏感性检测方法,强调了其临床相关性及模拟肿瘤异质性的能力。具体而言,研究人员分析了肿瘤类型、疾病分期、指南推荐的化疗药物以及常见实体瘤中频繁靶向通路的影响。基于这些发现,本综述探讨了类器官药物测试的未来方向,重点介绍了两个变革性创新:重建肿瘤微环境(TME)的PDO共培养系统,以及旨在提高临床前筛选准确性并通过先进的体外建模最终改善患者预后的人工智能(AI)驱动评估算法。
研究背景与现存问题
精准肿瘤学的核心挑战在于如何准确预测个体患者的治疗反应。传统的二维细胞系模型和动物模型无法完全再现人体肿瘤的复杂生物学特性,尤其是其三维结构、瘤内异质性以及与肿瘤微环境(TME)的动态交互。患者来源类器官(PDO)作为一种三维(3D)体外培养模型,能够从患者肿瘤组织中衍生并自我组织,保留了原始肿瘤的组织病理学和基因组特征,因此在预测治疗反应方面展现出巨大潜力。然而,PDO技术的临床转化面临两大核心瓶颈:一是基础构建层面的局限性,包括缺乏标准化的培养方案以及长期传代导致的基因组稳定性下降,这直接影响了药物敏感性预测结果的可靠性与可重复性;二是对肿瘤微环境(TME)模拟不足,传统PDO系统主要由上皮细胞构成,缺乏关键的基质细胞、免疫细胞、血管网络以及相应的生理梯度(如氧、营养物),导致无法准确模拟由微环境介导的药物耐药机制,特别是免疫治疗的反应。此外,肿瘤的异质性受肿瘤类型、分期、解剖部位和遗传亚型等多种因素影响,使得PDO在不同情境下的预测性能存在差异。因此,有必要开展系统性研究,梳理现有方法、评估挑战,并为推动PDO技术在临床和临床前肿瘤学中的更优应用提供框架。该论文发表于《Acta Pharmaceutica Sinica B》。
主要关键技术方法
研究人员采用了多层次的综合分析框架。首先,通过文献计量学方法分析了2007至2025年间PDO药物敏感性研究的发表趋势、国际合作网络及研究热点的演变。其次,系统比较了四种主流PDO培养技术(嵌入培养、悬浮培养、气液界面(ALI)培养和微流控/器官芯片培养)在技术特点、优势、劣势、生物库应用场景、微环境特征及遗传稳定性方面的差异。第三,汇总并分析了来自结直肠癌、胰腺癌、乳腺癌、肺癌、食管癌和胃癌等多个癌种的临床研究数据,构建了一个包含肿瘤分期信息的回顾性统计框架,用以评估PDO药物敏感性测试的分期依赖性预测准确性。最后,归纳了人工智能(AI)驱动的分析算法,包括用于类器官分割、追踪、分化状态预测以及药物反应推断的多种深度学习模型。
研究结果
1. PDO技术的发展历程:从基础生物学到临床转化
研究人员通过文献计量学分析揭示了PDO药物敏感性研究的指数级增长(年发文量从2017年的12篇增至2024年的741篇)。关键词演变显示,研究重心已从早期的“肠道类器官”、“多能干细胞”等基础生物学领域,转向当前的“微流控”、“疾病建模”、“患者来源类器官”和“药物耐药”等转化应用方向。
2. 阻碍PDO临床转化的双重挑战:基础构建与TME模拟
2.1 基础构建的局限性包括培养标准化和基因组稳定性缺陷
研究人员指出,当前所有主流培养技术均存在固有局限:嵌入培养(如Matrigel)存在细胞外基质(ECM)批次变异和高成本问题;悬浮培养缺乏明确的ECM信号;气液界面(ALI)和微流控系统技术要求高、可扩展性低。在基因组稳定性方面,PDO虽在初期保持相对保真度,但长期传代会带来克隆漂移风险,尤其在基因组不稳定的肿瘤(如微卫星不稳定型)中突变加速更为显著。
2.2 PDO中有效TME模拟的障碍:微环境组分和功能的再现
研究人员强调,传统PDO无法再现包含基质、血管和免疫细胞的复杂TME网络,也缺乏稳定的血管系统来模拟氧、营养物的生理梯度。虽然ALI和微流控平台能部分改善TME模拟,但仍受限于结构不完整、物种差异和高变异性等问题。
3. PDO在不同肿瘤分期和基因组稳定性下的临床预测价值
通过对多项临床研究的汇总分析,研究人员发现PDO的整体预测准确率约为80%。然而,晚期难治性患者的阴性预测值(NPV)常达100%,这反映的是普遍的治疗失败而非PDO的主动预测能力,而用于识别有效疗法的阳性预测值(PPV)数据仍然严重缺乏。此外,原发性肿瘤与转移灶来源的PDO在药物反应上显示出高度一致性,提示原发灶PDO可能指导不可切除转移灶的治疗决策。
4. 克服PDO技术瓶颈的分层解决方案:基础构建优化与TME模拟升级
4.1 基础构建优化建立标准化培养体系和生物库
研究人员提出,整合不同培养技术的优势可弥补各自短板:嵌入培养保证形态保真度,悬浮培养适用于高通量筛选,ALI和微流控技术则通过优化氧气供应和精确控制微环境梯度来增强基因组稳定性。在此基础上,构建大规模、质量控制严格的活体生物库是确保模型可重复性的关键。
4.2 TME模拟创新开发多组分肿瘤-基质相互作用的共培养体系
研究人员总结了从基础PDO-自体免疫细胞共培养,到基于ALI的多组分共培养,再到微流控器官芯片平台的迭代路径。这些技术逐步实现了从单一肿瘤细胞模型到包含血管网络、营养梯度和代谢微环境的多组分交互系统的转变,从而能够评估免疫治疗反应。
4.3 AI赋能高通量筛选以升级自动化分析与精准预测
研究人员列举了多个AI模型的应用:例如,OrganoID和OrgaExtractor实现类器官的自动分割与追踪;D-CryptO通过形态学特征非侵入性地判断类器官成熟度;RCA网络能从明场图像预测药物反应;OrganoIDNet则能实时监测免疫介导的杀伤效果。AI工具正从群体水平向单个类器官分辨率、从静态向动态表型分析演进。
总结与结论
研究人员在讨论部分指出,尽管PDO技术取得了长足进步,但其临床转化仍受制于培养标准化不足、基因组稳定性问题和TME模拟不完全。未来的发展方向应包括:建立跨癌种的标准化培养方案以提高实验可重复性;发展更复杂的TME共培养系统以模拟免疫和基质介导的药物反应;以及进一步集成AI驱动的自动化分析管道以实现高通量、无标记的药物敏感性预测。
研究结论:本研究通过全面评估已报道的PDO药物敏感性检测方法,强调了其临床相关性和模拟肿瘤异质性的能力。具体而言,研究人员分析了肿瘤类型、疾病分期、指南推荐化疗药物及常见实体瘤中频繁靶向通路的影响。基于这些发现,本综述探索了类器官药物测试的未来方向,重点突出了两项变革性创新:重建肿瘤微环境(TME)的PDO共培养系统,以及旨在提升临床前筛选准确性并通过先进体外建模最终改善患者预后的人工智能(AI)驱动评估算法。