《Cancers》：Beyond Canonical Neoantigens: Emerging Technologies for Identification of Noncanonical Antigens and Implications for Personalized Cancer Vaccines
编辑推荐：
摘要翻译：临床指南仍是循证肿瘤学的基石，将基于人群的证据转化为针对特定患者群体的治疗建议。然而，患有罕见癌症、复杂肿瘤生物学或难治性疾病的患者可能会达到适用证据有限或指南推荐治疗方案已用尽的节点。研究人员提出“个性化肿瘤学”（Personalized Onco
摘要翻译：临床指南仍是循证肿瘤学的基石，将基于人群的证据转化为针对特定患者群体的治疗建议。然而，患有罕见癌症、复杂肿瘤生物学或难治性疾病的患者可能会达到适用证据有限或指南推荐治疗方案已用尽的节点。研究人员提出“个性化肿瘤学”（Personalized Oncology）作为一种在这些情况下进行治疗选择的补充框架。该框架不仅仅询问哪些治疗使类似患者获益，而是询问哪些可用治疗预期能为个体患者提供最有利的获益-风险特征。其实现方式是将基于人群的医学证据与从个体癌症中产生的患者特异性生物学证据相结合。重要的是，指南推荐治疗的耗竭并不必然意味着生物学支持的治疗机会的耗竭。支持证据、理由、替代方案、局限性和不确定性均被记录在案，以实现透明的临床决策。无论是基于人群的证据还是患者特异性的生物学证据，都无法预先确定个体患者是否会获益。因此，必须系统监测治疗反应并将其纳入后续决策。个性化肿瘤学在保留个体化临床判断的同时标准化了这一过程。系统捕获每位患者的生物学、治疗和结局，可创建一个持续学习框架，使个体患者的经验为未来的癌症治疗提供信息。
论文解读文章：
**研究背景与问题**
传统肿瘤学实践依赖于基于人群的临床证据，即通过随机对照试验（randomized controlled trials, RCTs）和临床指南将群体层面的疗效数据转化为针对特定患者群体的治疗推荐。这种循证医学模式奠定了现代肿瘤治疗的基础，但存在固有局限：当患者患有罕见癌症、具有复杂肿瘤生物学特征或对标准治疗产生耐药时，人群数据可能无法充分代表其个体生物学特征，导致指南推荐的治疗方案耗尽，而临床医生仍面临治疗决策困境。尽管精准肿瘤学（precision oncology）通过分子分型和生物标志物匹配改善了许多患者的预后，但其逻辑仍基于“将患者归入已定义的人群亚组”这一范式，无法充分解释个体肿瘤内复杂的生物学异质性。因此，亟需一种补充框架，能够从个体患者的生物学特征出发，生成患者特异性证据，以支持治疗选择，尤其是当人群证据不足时。
**研究内容与结论**
该论文发表于《Cancers》，提出“个性化肿瘤学”（Personalized Oncology）这一概念框架，旨在整合患者特异性生物学证据与人群衍生证据，为治疗选择提供支持。研究人员将个性化肿瘤学与精准肿瘤学进行区分，指出前者强调证据生成方向是从个体到一般，而非从一般到个体。核心步骤包括：全面表征患者-疾病系统（构建患者生物学图谱，Patient Biology Map），通过生物学解释生成患者特异性生物学证据，基于此评估治疗方案并选择预期获益-风险比最优的策略，系统监测临床结局，并建立持续学习机制以优化未来决策。研究强调，患者特异性生物学证据是与验证性生物标志物不同的独立证据类型，其来源可包括基因组、转录组、免疫特征、机制性发现及治疗过程中的观察数据。该框架还涵盖了治疗方案的选择原则，包括不同治疗方式所需的特异性证据（如靶向治疗需通路或分子脆弱性证据，免疫治疗需肿瘤-免疫生物学证据，个性化疫苗需抗原选择证据）。研究进一步探讨了从个体患者到持续学习临床框架的可扩展性，提出标准化流程、人工智能（artificial intelligence, AI）辅助证据整合与文档化，以及严格的治理机制（如多学科肿瘤委员会审查）是实现可扩展性的关键。研究还讨论了已发表文献中支持该框架各组分的先例（如N-of-1试验、综合分子谱分析、个性化疫苗等），但明确这些先例并非对个性化肿瘤学的直接验证。最后，研究将个性化肿瘤学定位为循证医学的延伸，而非替代，强调其贡献在于提供一个标准化的框架，将患者生物学、证据生成、治疗决策与结局评估联系起来，从而实现持续学习。
**主要关键技术方法**
该研究为概念性框架论文，未进行具体实验。其主要技术方法涉及：综合分子谱分析（包括基因组学、转录组学、免疫组学）用于构建患者生物学图谱；生物信息学与计算工具用于整合异质性数据并识别生物学模式；标准化文档系统用于记录患者特异性证据、治疗理由及不确定性；多学科肿瘤委员会（molecular tumor board）用于独立评估证据和治疗方案；以及纵向临床结局评估体系，用于系统捕获治疗反应、毒性、生存等数据。此外，研究提及人工智能技术作为潜在的赋能工具，用于证据检索、数据整合和模式识别，但强调AI本身不构成临床证据来源。样本队列来源未在文中具体描述，因该研究为观点性文章，不涉及患者队列。
**研究结果**
论文未呈现实验数据，但通过逻辑论证和文献综合提出并阐述了个性化肿瘤学框架。各部分核心结论如下：
1. **精准肿瘤学的优势与局限**：通过I-PREDICT研究等例证，说明基于分子改变的匹配治疗可改善生存结局，但该范式依赖于人群证据，无法处理未被预定义亚组代表的个体生物学特征。
2. **人群证据的局限性**：分子谱分析揭示了共享诊断或生物标志物的肿瘤间存在广泛异质性，平均结局不能预测个体结局。罕见癌症或难治性疾病患者常缺乏直接适用的人群证据。
3. **个性化肿瘤学的定义**：区别于精准肿瘤学，其证据生成方向从个体生物学出发，整合多维度信息生成患者特异性证据，并采用标准化流程（图2中的五步框架）支持治疗选择。
4. **治疗决策的证据需求**：不同治疗方式（手术、放疗、化疗、靶向治疗、免疫治疗、个性化疫苗）需要不同类型的患者特异性证据，治疗计划应基于与治疗决策相关的证据线，而非单一生物标志物。
5. **持续学习框架**：标准化流程使每位患者的生物学-决策-结局记录可积累，形成扩展的知识库，逐步优化未来患者的生物学解释和治疗优先排序。AI和可复用计算基础设施可支持扩展，但需严格治理，包括透明性、可审计性和多学科审查。
6. **已发表先例**：多项研究（如N-of-1试验、个性化疫苗早期试验）已支持个性化肿瘤学各组分的可行性，但这些研究并非对该框架的验证，仅作为组分先例。
**讨论与结论**
讨论部分强调，个性化肿瘤学并非拒绝人群证据，而是提出当人群证据无法充分代表个体肿瘤生物学时，患者特异性证据不应成为治疗机会识别的排他性前提。然而，该框架面临多重挑战：先进分子检测和计算基础设施的可及性不均、成本与报销问题、数据治理与隐私保护、跨机构可重复性差异，以及当标准治疗耗尽但生物学支持的治疗机会存在时的伦理决策问题。研究指出，生物学合理性不等于疗效证据，此类决策需明确记录证据与不确定性、获得知情同意、进行严格的获益-风险评估，并系统捕获结局。结论部分重申：个性化肿瘤学通过补充患者特异性生物学证据扩展循证医学，其标准化流程可识别并记录生物学支持的治疗可能性（包括个性化疫苗选项），但治疗选择仍由主治肿瘤医生负责，并需多学科委员会支持。由于任何形式的证据都无法预先确定个体结局，系统评估真实世界临床结局至关重要。将患者生物学、治疗可能性、临床决策和观察结局联系起来，可使个体患者经验持续改善癌症治疗。
**研究意义**
该研究为肿瘤治疗决策提供了一种新的概念性框架，填补了人群证据与个体生物学之间的空白。其重要意义在于：提出了患者特异性证据作为独立证据类型的理论依据，明确了与精准肿瘤学的本质区别（证据生成方向而非技术），并阐述了可扩展的标准化实施路径。该框架为个性化癌症疫苗等个体化治疗手段的合理应用提供了理论基础，也为未来前瞻性框架级研究设计了评估指标（如治疗选择效用、临床结局、人群水平疗效证据）。尽管仍处于概念阶段，该研究为肿瘤学向更精细化个体化治疗方向发展提供了重要的思想基础。
