《Cell Reports Medicine》：Tumor digital twins uncover therapeutic strategies in triple-negative breast cancer
编辑推荐：
三阴性乳腺癌（TNBC）是一种侵袭性恶性肿瘤，治疗选择有限且复发与死亡风险高。因此，迫切需要通过个性化治疗策略反映各肿瘤独特的生物学特征、克隆架构与演化动态。研究人员提出一种TNBC数字孪生框架，该框架基于先验知识构建，表述为机制性定性网络（qualitati
三阴性乳腺癌（TNBC）是一种侵袭性恶性肿瘤，治疗选择有限且复发与死亡风险高。因此，迫切需要通过个性化治疗策略反映各肿瘤独特的生物学特征、克隆架构与演化动态。研究人员提出一种TNBC数字孪生框架，该框架基于先验知识构建，表述为机制性定性网络（qualitative network），其中节点代表基因与蛋白，边表示它们之间的相互作用。利用患者基因组学数据对模型进行参数化，可识别潜在耐药机制并提出克服耐药的个体化治疗路径。研究人员使用PARTNER随机对照临床试验数据对模型进行验证，该试验评估含铂化疗联合或不联合PARP抑制剂（PARPi）的方案。模型可准确预测治疗响应，并识别出与临床结局相关的突变与转录生物标志物。该方法为黑箱预测模型提供了可解释的替代方案，使精准肿瘤学中的决策过程更具透明性。
研究背景与问题提出
三阴性乳腺癌（triple-negative breast cancer, TNBC）因缺乏雌激素受体（estrogen receptor, ER）、孕激素受体（progesterone receptor, PR）与人表皮生长因子受体2（human epidermal growth factor receptor 2, HER2）靶点，无法从内分泌治疗中获益，预后差、侵袭性强、远处转移与复发风险高。现有标准治疗仍以手术联合化疗为主，PARP抑制剂（poly(ADP-ribose) polymerase inhibitor, PARPi）与免疫检查点抑制剂仅覆盖部分人群。TNBC高度异质，缺乏突出驱动突变，且难以在诊断时可靠预测谁会获得病理完全缓解（pathological complete response, pCR）。黑箱机器学习模型虽可预测疗效，却难以解释“为何有效、为何耐药”。因此，研究人员在《Cell Reports Medicine》提出一种可执行的、机制透明的肿瘤数字孪生（tumor digital twin）框架，用患者个体基因组学驱动信号网络模型，兼顾预测与机制解释。
主要技术方法概述
研究人员基于文献人工构建包含142个节点与379条激活或抑制边的定性网络（qualitative network），使用BioModelAnalyzer（BMA）进行同步更新与稳定态模拟；先用独立实验规范集校验模型行为，再纳入PARTNER临床试验31例患者的批量全基因组测序数据，提取突变与拷贝数变异（copy number variation, CNV）初始化个体数字孪生。治疗被抽象为对特定分子节点的扰动：卡铂与环磷酰胺激活链间交联（interstrand crosslink, ICL）节点，表柔比星致复制叉崩溃，紫杉醇稳定微管，奥拉帕利模拟PARP捕获与单端双链断裂（single-ended double-strand break, seDSB）。以细胞死亡增加≥2且细胞增殖下降≥1为pCR阈值，并在非应答者中做全节点体外敲低筛选；对高度异质样本进一步用空间RNA-seq推断克隆CNV并分别建模；最后用TCGA基线乳腺癌队列验证突变与转录签名。
研究结果
患者特异性TNBC数字模型预测临床结局
研究人员将模型用PARTNER患者突变与CNV个性化后，模拟化疗±奥拉帕利。结果显示预测准确率为74%，敏感性与特异性分别为71%与76%，证明机制网络可重述患者真实应答，且不需要单细胞或蛋白丰度即可运行。
DDR与生长信号抑制剂可增敏无应答肿瘤
在13例非应答者中，12例经体外额外靶点抑制后预测响应改善，10例可达pCR。最广泛有效的是ATM抑制剂，在7例非应答者中诱导完全应答，其机制依赖于PI3K、EGFR或Ras扩增带来的高复制应激；其余患者可被Chk1、ATR、MEK、mTOR、Wee1或Plk1抑制增敏。靶点有效性严格依赖个体遗传背景。
克隆层面分析揭示可操作治疗建议
对一例整体模拟无靶点的非应答者LEAP008，空间转录组显示三克隆异质性。逐克隆建模后，克隆B对标准治疗更敏感，且各克隆分别呈现mTOR、CDK4、PIK3、MET、Akt或Wee1、RAD51、ATM等可成药弱点。说明批量遗传背景会掩盖克隆级脆弱性，细分克隆可解锁被隐藏的增敏策略。
DDR基因作为长期生存生物标志物
研究人员将29个再增敏靶点构成突变签名，在TCGA基底型乳腺癌化疗队列中显著分层总生存；网络节点活性相关分析进一步指出ATM、BRCA、FANCI、RAD51、CDC25A、p21等DNA损伤应答（DNA damage response, DDR）与细胞周期标记可区分应答与耐药，且方向与单核RNA-seq、空间蛋白组一致。
讨论与结论翻译
讨论部分指出，该框架把基因型与表型直接连接，可解释每一例预测背后的通路逻辑，弥补影像或黑箱AI缺乏机制的问题；数字孪生支持用纵向组学动态更新，而非仅优化剂量排程。局限在于队列较小、仅建模肿瘤内源性信号、未纳入微环境与免疫模块、药物空间受PARTNER方案限制。研究人员强调，模型不是从头发现工具，而是假设生成与靶点优先级排序工具。
结论部分翻译如下：研究人员展示了个性化虚拟肿瘤在肿瘤学中的广泛价值。通过关联基因型与表型，并为标准治疗无应答者提供可解释的个体化靶点建议，该工作推动了数字孪生作为治疗决策辅助工具的发展，尤其在TNBC等难治癌症中具有转化意义。
论文的核心贡献已经明确，接下来可以选择一个方向继续深化：
