《Current Opinion in Toxicology》：Advancing cancer and carcinogenesis research through new approach methodologies
编辑推荐：
摘要数十年来，致癌物的识别一直依赖于动物实验，数以千计的大鼠和小鼠被用于标记潜在危害。新的方法学途径（NAMs）能否为科学家和监管机构提供一条更优的前进道路？机制性证据处于致癌物危害识别的核心，但我们生成高维数据的能力已超越了用于解读这些数据的框架。致癌物的关键特征（KCs）
摘要
数十年来，致癌物的识别一直依赖于动物实验，数以千计的大鼠和小鼠被用于标记潜在危害。新的方法学途径（NAMs）能否为科学家和监管机构提供一条更优的前进道路？机制性证据处于致癌物危害识别的核心，但我们生成高维数据的能力已超越了用于解读这些数据的框架。致癌物的关键特征（KCs）为研究人员提供了一种系统性的方法来搜索、组织和评估机制性证据——然而，单凭KCs本身，并不能确立特定物质的因果序列、人体相关性或监管充分性。在此，我们探讨了三组NAMs——计算机模拟与人工智能方法、高通量组学以及微生理系统——各自如何为基于KCs的致癌性评估提供独特的证据。计算方法可优先筛选化学物质并生成基于结构或靶点的假说；组学方法可表征分子反应及浓度-反应关系；微生理系统则可增加人体组织结构和多细胞功能。这些证据在多大程度上可信，仍然取决于适用域、实验设计、代谢过程、计量学、暴露合理性、标准化程度以及独立验证。我们提出了一种以KCs为指导的证据架构：不良结局途径（AOP）和作用模式（MOA）推理用于评估因果连贯性；体外-体内外推（IVIVE）、基于生理的药代动力学/动力学建模（PBK/PBPK）以及暴露评估用于处理人体剂量相关性；综合测试与评估方法（IATA）以及证据权重评估则支持面向特定决策的整合。NAMs并非动物生物测定实验的可互换替代品，也并不能提供独立的机制证明——但一旦在特定的使用情境下证明了其性能并明确了残余不确定性，它们可以逐步减少我们对动物的依赖。
引言
国际癌症研究机构（IARC）自1971年以来通过其专著计划评估致癌危害，综合了来自人体研究、动物研究和机制性研究的证据。致癌物的关键特征（KCs）正是在这一传统中发展而来：它让研究者无需先预设关于某种物质特定作用模式（MOA）的假说，即可系统地组织机制性证据 [1], [2]??, [3]??。2025年IARC的一份技术报告及配套研讨会更进一步，将终点和检测类型映射到全部十项KCs上，并强化了其作为透明证据分类体系的角色 [1], [2]??。
这一努力恰逢新途径方法学（NAMs）的快速扩展。计算建模、高通量分子分析和人源三维系统如今已能在结构、分子、细胞和组织层面生成证据。监管机构已开始关注，但进展并不均衡：欧洲化学法规在致癌性方面仍大量依赖体内数据，而某些药物情境中已经允许证据权重（WoE）方法和对替代方法的针对性使用。
一个结构警报、一个转录组学特征和一个器官芯片反应，显然不是同一类证据，其中任何一项都无法单独将KCs相关观察转化为因果机制或定量的人体风险估算。每种方法回答的是不同问题，且各自带有不确定性。因此，与其在KCs和NAMs之间做出选择，不如将二者视为共同的主角，并提议一种将机制性证据与监管决策相连接的证据架构：KCs引导证据需求并整理发现，NAMs产生互补的观察结果，而另一层框架则评估因果连贯性、人体剂量相关性、证据整合以及不确定性。
我们聚焦于三个代表性的NAMs类别——计算机模拟与人工智能（AI）方法、高通量组学和微生理系统（MPS）——并对每一类提出相同的四个问题：它能生成什么证据？它能为哪些KCs相关过程提供信息？仅凭其输出无法推断出什么？它如何能纳入一个与人体相关、面向特定决策的评估？
在构建论证过程中，我们主要参考了基础性框架论文、IARC和OECD文件、2020至2026年间发表的近期共识与验证研究以及具有示范意义的实验工作，同时也引用了该领域仍具有重要地位的更早出版物。我们在来源选择上侧重于其与致癌性和使用情境的直接相关性，以及其结论是否真正涉及危害识别、MOA、人体相关性和定量风险。
各节摘要
KCs作为互补性证据架构的核心
KCs描述了已确立的人类致癌物通常共有的特性，研究人员利用它们来搜索、组织和评估机制性证据 [1], [2]??, [3]??, [5]。这一作用对于NAM数据集尤为重要，因为在缺乏共同生物学词汇的情况下，大量的统计学显著信号可能毫无意义。近期的检测映射工作进一步推动了这一点，编目了哪些终点与每项KC相关，揭示了测试覆盖哪些方面充分、哪些方面薄弱 [3]。
在
计算机模拟与AI方法：预测但不过度解读机制
计算毒理学能够筛查远超任何长期生物测定实验计划所能现实处理数量的化学物质。定量构效关系（QSAR）模型、机器学习分类器、虚拟筛选和AI辅助的ADMET预测都有助于优先筛选化合物、支持类推并指导后续测试 [20], [21], [22]。当结构警报和分子描述符捕捉到合理的亲电化学反应、DNA反应性或
高通量组学：广泛的机制覆盖但受上下文约束
高通量组学捕捉协调的分子反应，这正是其能够同时填充多个KC领域的关键原因。转录组、表观基因组、蛋白质组和代谢组数据均支持化学物质分组、通路分析和浓度-反应建模。细胞转化实验展示了实践中的应用方式：表型终点与分子证据并行读取，嵌入面向非遗传毒性致癌物的策略 [27], [28]。
转录组生物标志物，如
微生理系统：人体组织语境但非自动具备人体预测力
MPS——类器官、器官oids、生物打印组织和器官芯片平台——都试图重建扁平单层培养所无法达到的人体组织组织方面的特征。它们在KC框架中贡献最大的领域是那些依赖细胞外基质、细胞间通讯、免疫相互作用、氧和营养梯度以及组织特异性功能的过程 [38], [39]。从这个意义上说，它们为计算或组学方法最初提出的假说增添了功能性的上下文
从证据整合到监管信心
人们容易将AI、组学和MPS想象成一条流水线，以为增加生物学复杂度就自动带来监管确定性——但这一图景并不成立。真正弥合鸿沟的是一系列推理链：KCs定义和组织所需的机制性证据；NAMs产生结构性、分子性和功能性观察；AOP/MOA推理评估因果连贯性；IVIVE/PBK/PBPK和暴露评估衡量人体剂量的合理性；IATA组织证据
结论与展望
KCs仍然是机制性致癌性研究的一个真正有用的组织框架，为该领域提供了证据搜索、检测映射和差距识别的共同结构。明确其局限性并不会削弱这一价值——反而增强了它：仅凭KCs本身并不能确立一个操作性的MOA、人体剂量相关性或监管充分性。
AI、高通量组学和MPS各自为不同KC和不同层面带来互补性证据
作者贡献
C.A.R.J.：概念化、方法学（文献整理和AI辅助编辑）、数据整理（图表设计与撰写）、写作——初稿撰写以及写作——审阅与编辑。J.M.G.：调查（文献数据的获取、分析和解释）、特定章节的初稿撰写、审阅和编辑。M.L.Z.D.：概念化、监督、项目管理以及重要学术内容的写作——审阅与编辑。
作者署名声明
所有作者均对研究的概念和设计或数据的获取、分析和解释做出了重大贡献；参与了文章初稿的撰写或对重要学术内容进行批判性修改；并对拟提交版本进行了最终批准。
资金来源
本工作得到圣保罗研究基金会、FAPESP（项目编号2023/15620-6）、国家科学技术研究所——INCTBio2（项目编号445942/2025-8）以及巴西教育部的CAPES资助。
利益声明
? 作者声明以下财务利益/个人关系，可能被视为潜在利益冲突：
作者Maria Lucia Zaidan Dagli作为COTOX期刊"下一代风险评估：从原理到实践：我们走到了哪里？"特刊（2026）的特约副主编，与Emanuela Corsini博士和Heather Wallace博士共同任职，但未参与本文的编辑审查或发表决定。
"鉴于其作为COTOX期刊特刊特约副主编的角色，她未
致谢
作者感谢Guilherme Da S. Rogerio、érica T. Schulz、Lorena S. Bezerra、Larissa S. Santos、Raphael A. L. De Morais、Vitória S. O. Nascimento以及Ivone I.M. Da Fonseca在本工作概念形成过程中的富有成果的讨论和宝贵的思想交流。
Carlos A. Rossatto-Jr | Jamile M. Garcia | Maria L.Z. Dagli
巴西圣保罗大学医学院圣保罗州癌症研究所转化肿瘤学中心，圣保罗 01246-903，巴西
