An open label, balanced, randomized, two-treatment, two-period, two-sequence, single dose crossover bioequivalence study comparing Bosutinib Tablets 100 mg, Manufactured by Sun Pharmaceutical Industries Limited, India with Bosulif (bosutinib) 100 mg, Manufactured and Packed by: Pfizer Manufacturing Deutschland GmbH Betriebsstätte Freiburg Mooswaldallee, Freiburg, Germany, Imported by: Pfizer Brasil Ltda. Rodovia Presidente Castelo Branco, nº32501, km 32.5 CEP 06696-000 – Itapevi – SP, in healthy adult, human subjects under fed condition.

开始日期2025-01-31

申办/合作机构

Sun Pharmaceutical Industries Ltd.

NCT06297161

/ RecruitingN/A

Post Marketing Surveillance Study to Observe Safety and Effectiveness of BOSULIF

The purpose of this study is to look at how safe and effective is bosulif in routine clinical practice.
This study is seeking for participants who are:
1. Patients who are being treated* or will be treated with Bosulif according to it's local product document under routine clinical practice (*Patients who initiated Bosulif treatment within one year before consent)
2. Evidence of a personally signed and dated informed consent document indicating that the patient (or a legally acceptable representative) has been informed of all pertinent aspects of the study.
All participants in this study will receive bosulif. All participants who have entered this study should meet the usual prescribing criteria for bosulif as per the LPD. The participants will be treated with bosulif under routine clinical practice in Korea.
The study will look at the experiences of people receiving the study medicine. This will help to see if the study medicine is safe and effective.
In this study all treatment and checking of the patients will be done as per the study doctor. The study can be performed in Korean health care centers where bosulif is prescribed to treat CML after the patients have agreed to take part in the study.

开始日期2025-01-20

申办/合作机构

Pfizer Inc.

CTIS2024-516511-24-00

/ Completed临床4期

A Patient guided dose reduction strategy of tyrosine kinase inhibitors in chronic myeloid leukaemia: RODEO study

开始日期2024-11-14

申办/合作机构-

100 项与伯舒替尼相关的临床结果

登录后查看更多信息

100 项与伯舒替尼相关的转化医学

登录后查看更多信息

100 项与伯舒替尼相关的专利（医药）

登录后查看更多信息

1,394

项与伯舒替尼相关的文献（医药）

2026-12-31·Future Science OA

Multi-omics analysis identified SPRR2D as a potential biomarker for tumor prognosis and immune microenvironment infiltration: a pan-cancer perspective

Article

作者: Shi, Yuan-Xiang

BACKGROUND:

Clarification of the molecular mechanism of malignant tumor progression, identification of the key signaling pathways and molecules involved in the processes of invasion and metastasis, and identification of new targets and strategies for effective tumor treatment are extremely important for scientific research and clinical application prospects.

METHODS:

Based on large-sample data mining, we first evaluated the expression and mutation profiles of SPRR family genes across cancers and then focused on the molecular functions of SPRR2D across cancers.

RESULTS:

Multi-omics experiments revealed that SPRR2D is significantly overexpressed in various tumors, especially in LUSC. ROC curve analysis revealed that SPRR2D demonstrated significant diagnostic efficacy across cancers. Cox regression analysis revealed that the expression of SPRR2D was associated with the survival time of patients with various tumors. Moreover, the expression of SPRR2D is closely related to tumor immune infiltration. GDSC data analysis revealed that the expression levels of SPRR1A, SPRR1B, SPRR2A, SPRR3, and SPRR2D are negatively correlated with the sensitivity to gefitinib, trametinib, bosutinib, afatinib, lapatinib, and erlotinib.

CONCLUSIONS:

From a multi-omics perspective, it was revealed that SPRR2D plays a significant role in regulating tumorigenesis and drug sensitivity in tumors.

2026-12-01·COMPUTATIONAL BIOLOGY AND CHEMISTRY

Synthesis and in silico evaluation of novel hybrid 1,4-benzothiazine-1,1-dioxide–bis(1,2,3-triazole) derivatives as potential SRC kinase inhibitors via 1,3-dipolar cycloaddition

Article

作者: Altharawi, Ali ; Riadi, Yassine ; Madkhali, Hassan A ; Elmachkouri, Younesse Ait ; Taha, Mohamed Labd ; Irrou, Ezaddine ; Kumar, Chagaleti Bharath ; Azzallou, Rachid ; Aldakhil, Taibah ; Altamimi, Abdulmalik A S

Herein, we report the synthesis of new 1,4-benzothiazine-1,1-dioxide derivatives bearing bis(1,2,3-triazole) moieties via click chemistry in good to high yields and fully characterized by ¹H NMR, ¹³C NMR and HRMS. The compounds were evaluated using a combined in silico approach, including physicochemical, pharmacokinetic and toxicity analysis, molecular docking and molecular dynamics studies. Drug-like properties of all compounds were favourable. Molecular docking against SRC kinase suggested binding affinities ranging from -7.14 to -8.13 kcal/mol. Compound 11 displayed the most favorable docking score (-8.13 kcal/mol), comparable to that of bosutinib (-8.54 kcal/mol), and formed key interactions within the active site. This finding was consistent with the 100 ns molecular dynamics simulations, which indicated that the SRC-compound 11 complex remained structurally stable and maintained key interactions with residues such as Met341, Tyr340 and Lys295. Despite showing conformational flexibility than bosutinib, compound 11 maintained stable binding throughout the simulation. Overall, compound 11 showed favorable predicted binding toward SRC kinase, suggesting that these bis-triazole derivatives may represent potential leads for future anticancer investigation.

2026-07-15·CANCER

Longitudinal analysis of tyrosine kinase inhibitor therapy outcomes and BCR‐ABL1 transcript decline velocity in chronic myeloid leukemia: A 16‐year real‐world study

Article

作者: Zureigat, Hadil ; Singh, Abhay ; Mukherjee, Sudipto ; Mushtaq, Ali ; Abdurakhmanov, Kamilla ; Jain, Akriti G. ; Mustafa Ali, Moaath K. ; Alchirazi, Muaz Alsabbagh ; Dhakal, Aastha ; Khatib, Lana ; Advani, Anjali S. ; Balderman, Sophia ; Gerds, Aaron T. ; Mohamed, Ahmed N. ; Carraway, Hetty E. ; Rehman, Naveen ; Kalaycio, Matt ; Sobecks, Ronald ; Bawwab, Ameed ; Zabor, Emily C. ; Berube, Bryan ; Molina, John C.

Abstract:

Background:

No large, randomized trials have compared three or more tyrosine kinase inhibitors (TKIs) in a single chronic myeloid leukemia (CML) cohort. Most studies are two‐arm comparisons versus imatinib, or rely on indirect methods.

Methods:

A retrospective cohort study was conducted of 349 patients with chronic‐ and accelerated‐phase CML treated between 2007 and 2023 at Cleveland Clinic centers in Northeast Ohio. Overall survival (OS), event‐free survival (EFS), 12‐month therapeutic milestone achievement, and BCR‐ABL1 transcript decline velocity across first‐, second‐, and third‐line TKIs were compared. Baseline demographics, comorbidities, cytogenetics, and hematologic parameters were collected. Multivariable regression and time‐dependent Cox models were adjusted for confounders and varying therapy initiation times.

Results:

First‐line TKIs included imatinib (53%), dasatinib (30%), nilotinib (15%), and bosutinib (2%). Median age ranged from 52 to 60 years, most patients were White, and high‐risk cytogenetics were rare. Five‐year OS ranged from 78% for dasatinib to 90% for nilotinib, with nilotinib associated with improved OS (hazard ratio [HR], 0.43) and EFS (HR, 0.48) and the fastest BCR‐ABL1 decline (β = −8.3%) versus imatinib. In second‐ ( n = 181) and third‐line therapy ( n = 91), no significant differences in outcomes were observed. Across all lines, time‐dependent modeling showed improved EFS only for nilotinib (HR, 0.61). Unadjusted OS was higher in patients starting treatment in 2007–2010 versus later periods but differences disappeared after adjustment.

Conclusions:

Real‐world data indicate that imatinib achieves comparable response rates to newer TKIs, with durable survival. Nilotinib consistently shows faster BCR‐ABL1 decline and improved EFS overall, consistent with prior network meta‐analyses. Lack of improvement in OS over time suggests the need to investigate factors influencing long‐term outcomes in CML.

212

项与伯舒替尼相关的新闻（医药）

2026-09-12

·今日头条

Nature | 不用做实验了？西湖大学团队蛋白质组学【虚拟细胞模型】诞生

在人工智能驱动的药物研发浪潮中，"虚拟细胞"（Virtual Cell）概念正从科幻走向现实。不同于以往基于转录组数据构建的细胞模型，西湖大学团队联合北京大学、深度势能科技等机构，在《Nature》上发表了基于大规模时间分辨蛋白质组扰动数据的虚拟细胞模型—— ProteinTalks 。该研究的核心突破在于：首次将蛋白质组学数据与神经常微分方程（Neural ODE）相结合，通过刻画药物扰动下蛋白质表达的动态轨迹，构建了一个可操作的、动力学感知的虚拟细胞模型。蛋白质作为细胞功能的直接执行者，其表达水平与细胞表型的关联远比转录本更为直接。然而，蛋白质组学虚拟细胞模型的发展长期受制于大规模、时间分辨的蛋白质组数据稀缺。本研究通过高通量DIA-MS技术平台，系统性地绘制了乳腺癌细胞在药物扰动下的蛋白质组动态图谱，为虚拟细胞模型提供了前所未有的训练数据。题目：一种基于操作性扰动蛋白质组学的虚拟细胞模型英文题目： An operational perturbation proteomics-based virtual cell model 期刊： Nature 影响因子： 56.1 PMID： 42717098 发表时间： 2026年9月一、数据基石：3800万蛋白质测量构建的扰动蛋白质组图谱研究团队首先建立了迄今为止规模最大的时间分辨扰动蛋白质组学数据集之一—— PTDS（ProteinTalks Dataset）。该数据集涵盖18株乳腺癌细胞系（其中16株为三阴性乳腺癌TNBC细胞系），使用63种FDA批准的小分子药物及59种药物组合进行处理，在0h、6h、24h和48h四个时间点采集蛋白质组数据，最终产生了16,311个蛋白质组学数据和23,482个细胞活力测量数据，涵盖超过3,800万个蛋白质丰度测量值（图1）。图1 为了确保时间动态信息的完整性，团队还构建了多时间点数据集mtPTDS，在3株TNBC细胞系中对55种单药和57种药物组合进行11个时间点（0-60小时）的蛋白质组分析，共产生2,528个蛋白质组样本。通过UMAP降维分析，研究团队发现蛋白质组表达呈现明显的时间聚类特征：早期（0-6h）、中期（8-24h）和晚期（36-60h），这一发现为后续模型选择代表性时间点提供了生物学依据。数据质量方面，PTDS展现出极高的可重复性：池化样本、技术重复和生物学重复的Pearson相关系数中位数分别为0.955、0.953和0.917，证实了高通量DIA-MS平台在规模化蛋白质组分析中的可靠性。二、生物学发现：药物作用机制与耐药相关蛋白的时间动态在建立模型之前，研究团队首先从数据中提取了丰富的生物学洞察。通过开发PertScore算法量化蛋白质扰动效应，共鉴定出823个与药物扰动显著相关的蛋白质。通路富集分析显示，药物作用机制（MOA）相关通路在6小时即显著富集，而细胞死亡相关通路则在48小时富集，这一时间差异反映了药物作用从初始分子事件到最终表型效应的级联过程（图2A）。图2A 更重要的是，通过比较耐药与敏感细胞系的蛋白质动态轨迹，研究团队发现了一批与药物耐药相关的时序生物标志物。例如，在5-氟尿嘧啶处理的细胞中，自噬相关蛋白ATG3在耐药组中持续升高而在敏感组中下降；在CDK抑制剂处理的细胞中，41个蛋白质在耐药组中呈现上调动态而在敏感组中下调，这些蛋白质富集于细胞周期调控和嘌呤核苷酸代谢通路。这些发现不仅验证了已知耐药机制（如TYMS上调导致卡培他滨耐药），还发现了新的潜在耐药靶点，为克服肿瘤耐药提供了线索。三、模型架构：神经ODE驱动的动态蛋白质组预测 ProteinTalks的核心架构包含两个协同工作的模块（图3A）。第一个模块将基线蛋白质组（P0h）与药物靶点信息编码为初始隐状态，通过神经ODE传播该状态以预测后续时间点（6h、24h、48h）的蛋白质表达，实现时间分辨蛋白质组轨迹的重建。第二个模块将预测的蛋白质组轨迹与药物分子结构特征（通过SMILES编码的935维理化性质）整合，通过多层感知机预测药物疗效和药物组合协同效应。图3A 这一架构的关键创新在于：与现有在预定义潜在空间（如PCA嵌入）中进行轨迹插值的方法不同，ProteinTalks让扰动条件化的轨迹动态主动地塑造模型学习到的特征表示。这种设计使得模型能够以相对紧凑的参数量（比现有转录组基础模型少1000倍）捕捉复杂的蛋白质动态变化。在模型训练策略上，团队通过系统比较不同时间点采样密度对性能的影响，最终选择0h、6h、24h和48h四个时间点作为平衡模型性能与数据效率的最优方案。学习曲线分析显示，模型性能随训练数据量增加而持续提升，从10%到70%训练数据，AUPRC从约35%提升至75%以上，表明更大规模的蛋白质组数据仍能带来性能增益。四、模型性能：跨细胞系、跨药物、跨癌种的全面验证 ProteinTalks在多项预测任务中展现出卓越的性能和广泛的适用性。在标准测试集上，模型达到0.86的准确率、0.92的AUROC和0.84的AUPRC。更重要的是，在更具挑战性的跨细胞系留一法交叉验证中， ProteinTalks在17株可评估细胞系上平均AUPRC达0.89、AUROC达0.95、准确率0.90 ，全面超越包括Geneformer、GeneCompass、UCE等3个转录组基础模型以及DeepSynergy等4个传统机器学习模型，AUPRC提升幅度达10-221%（图3B）。图3B 在跨药物泛化能力测试中，ProteinTalks在留一法药物交叉验证中平均AUPRC达0.57、AUROC达0.64、准确率0.76，同样优于所有基准模型（图3B）。特别是在完全独立的测试集PTNC（包含81种未在训练中出现的新型抗癌化合物）上， ProteinTalks实现了AUPRC 0.94、AUROC 0.89、准确率0.85的优异性能，相比最佳基准模型GeneCompass分别提升32%、73%和150%，展现出强大的零样本预测能力。模型的泛化能力不仅限于乳腺癌。在包含黑色素瘤、结直肠癌、肺癌和胰腺癌的5种非乳腺癌细胞系数据集PTPC上，经过少量样本微调后，ProteinTalks平均AUPRC达0.41、AUROC达0.77，同样显著优于所有转录组基础模型（AUPRC提升74%）。这一结果表明，基于蛋白质组动态学习的表征具有跨癌种的可迁移性。五、药物组合预测与实验验证在药物组合协同预测方面，ProteinTalks对实验验证为协同的药物组合赋予显著更高的预测分数（P=1.797×10⁻⁴）。研究团队进一步对4个高排名预测组合进行了实验验证，包括bosutinib-tucatinib（HCC1143和HCC1395细胞系）和bosutinib-abemaciclib（HCC70和HCC1806细胞系）。所有4个组合均达到预设的协同标准（ΔEmax≥0.2或Δlog2[IC50]≥3），其中bosutinib-abemaciclib在HCC1806细胞中协同效应最为显著（ΔEmax=0.74）（图3F）。图3F 六、可解释性分析：从SHAP值到耐药机制 ProteinTalks的另一个重要优势在于其可解释性。通过计算动态SHAP值，研究团队能够量化每个蛋白质对药物反应预测的贡献，并追踪这种贡献随时间的变化。这种时间分辨的可解释性分析揭示了不同药物类别的独特动态特征：烷化剂、HDAC抑制剂和拓扑异构酶抑制剂在6小时时SHAP值分歧较小，但到24小时时显著分离，反映了DNA损伤和表观遗传重编程通过调控级联的延迟蛋白质水平表现；相反，CDK抑制剂、激素类药物和RXR抑制剂在6小时即表现出明显的SHAP值分歧，表明更即时的蛋白质水平信号响应。基于SHAP值排序，研究团队优先筛选出与药物反应相关的关键蛋白质进行实验验证。例如，AKR1C3被ProteinTalks鉴定为抗微管药物（如多西他赛）反应的重要预测因子。通过siRNA敲低实验证实，AKR1C3敲低显著增强了BT20细胞对多西他赛的敏感性（Δln[IC50]=4.24），验证了这一预测（图4C-D）。此外，研究还发现了18个在癌症中功能表征有限的化疗相关蛋白（如ZFYVE19、SYNE2和锌指蛋白），为后续研究提供了新的候选靶点。图4C-D 七、临床转化：从PDX模型到患者预后分层 ProteinTalks的临床转化潜力在多个患者来源模型中得到了验证。首先，在30例乳腺癌患者来源肿瘤细胞（PDTC）转录组数据上微调后，模型在预测96种化合物疗效方面，相比从零开始训练的模型，准确率从0.65提升至0.71，AUROC从0.65提升至0.74，AUPRC从0.72提升至0.77，证明了蛋白质组预训练对转录组任务的正迁移效应。更重要的是，在跨癌种PDX模型（PDX-2015nm）的零样本测试中，仅在乳腺癌PDX数据上微调的ProteinTalks模型，在非乳腺癌PDX转录组数据上平均AUROC达0.676 ，相比GeneCompass（0.576）、Geneformer（0.538）和UCE（0.528）分别提升约24%，展现了从细胞系到患者来源模型的强大迁移能力（图5A-B）。图5A-B 在患者预后分层方面，研究团队对501例接受化疗的TNBC患者治疗前FFPE样本进行蛋白质组分析，使用ProteinTalks基于基线肿瘤蛋白质组和治疗方案计算个体化风险评分。中位数分层将患者分为高风险和低风险组，两组在无复发生存期（RFS，P=0.0004）和总生存期（OS，P=0.002）上均呈现显著差异。对于接受超过两种药物联合治疗的患者，基于SHAP值筛选的top 100蛋白质面板同样能够显著分层预后，证明了模型在临床决策中的潜在应用价值。八、患者类器官药物筛选：精准医疗的"最后一公里" 本研究最具临床转化意义的应用，是ProteinTalks在患者来源类器官（PDO）中的个性化药物筛选。研究团队从3例TNBC患者（P855、P831、P865）建立PDO模型，采集基线蛋白质组数据，使用ProteinTalks对包含3,000种已上市及临床阶段化合物的药物库进行虚拟筛选，预测每种化合物的疗效评分并进行排序。筛选结果首先验证了模型的预测准确性：顺铂（cisplatin）在所有3例患者的预测排名中均位居前列，这与这3例患者临床上对含铂方案（卡铂+紫杉醇+卡瑞利珠单抗）治疗敏感、均达到Miller & Payne 5级完全病理缓解的实际情况完全吻合（图5F）。这一结果证明了ProteinTalks能够从基线蛋白质组中捕捉与铂类药物敏感性相关的生物标志物，为临床用药决策提供支持。图5F 更重要的是，ProteinTalks还从3,000种化合物中优先筛选出3个潜在的重定位药物候选：citarinostat（HDAC6抑制剂，临床Ib期）、THZ-1（CDK7抑制剂）和CAY10603（HDAC6抑制剂）。为了验证这些预测，研究团队在3例患者的PDO中进行了9点剂量-反应细胞毒性实验。实验结果令人振奋：在所有3例患者中，这3个候选药物的IC50值均显著低于顺铂。具体而言，在P855患者的PDO中，CAY10603的IC50为0.33 nM，citarinostat为0.80 nM，THZ-1为0.18 nM，而顺铂为0.53 mM（图5G）；在P831患者中，CAY10603为0.45 μM，citarinostat为0.58 μM，THZ-1为8.35 μM，顺铂为0.17 mM（图5H）；在P865患者中，CAY10603为23.1 nM，顺铂为1.43 μM（图5I）。这些体外实验结果与ProteinTalks的预测排名高度一致，证明了该模型在个性化药物筛选中的实际应用价值。图5G-I 这一发现具有重要的临床意义：对于这3例对标准含铂方案敏感的TNBC患者，ProteinTalks不仅"识别"了临床上有效的顺铂，还发现了可能具有更好疗效的替代方案（如THZ-1在P855中的IC50比顺铂低近3000倍）。 HDAC6抑制剂（citarinostat和CAY10603）和CDK7抑制剂（THZ-1）均为已在其他癌症类型中进入临床试验的药物，这为TNBC患者的药物重定位提供了直接的实验依据。九、结语 ProteinTalks的成功提示我们：虚拟细胞模型的构建不仅需要更大的模型，更需要与模型架构相匹配的高质量数据。时间分辨的扰动蛋白质组学数据，结合动力学感知的深度学习架构，为理解细胞如何响应药物扰动、预测患者如何治疗响应提供了新的范式。随着蛋白质组学技术的不断进步和AI模型的持续优化，基于虚拟细胞的精准医疗正从概念走向临床实践，为癌症患者带来更多个性化治疗的可能。编辑：盛合瑞类器官 · 小蕊校对：盛合瑞类器官 · 灰灰排版：盛合瑞类器官 · 苍南参考文献： Sun R, Qian L, Li Y, Liu T, Cheng H, Zhang X, Zhou X, Zhan Y, Zhang G, Luo Z, Ma K, Wu C, Ji D, Xue Z, Meng H, Xiang Y, Lei D, Zhou Q, Hu W, Deng Y, Tan L, Xiao Q, Liu Z, Zeng L, Qian L, Zheng X, Hu Q, Luo N, E W, Zhou P, Wen H, Zhu Y, Guo T. An operational perturbation proteomics-based virtual cell model. Nature. 2026 Sep 9. doi: 10.1038/s41586-026-11001-9.

2026-09-12

·微信

Nature | 不用做实验了？西湖大学团队蛋白质组学【虚拟细胞模型】诞生

在人工智能驱动的药物研发浪潮中，"虚拟细胞"（Virtual Cell）概念正从科幻走向现实。不同于以往基于转录组数据构建的细胞模型，西湖大学团队联合北京大学、深度势能科技等机构，在《Nature》上发表了基于大规模时间分辨蛋白质组扰动数据的虚拟细胞模型——ProteinTalks。该研究的核心突破在于：首次将蛋白质组学数据与神经常微分方程（Neural ODE）相结合，通过刻画药物扰动下蛋白质表达的动态轨迹，构建了一个可操作的、动力学感知的虚拟细胞模型。蛋白质作为细胞功能的直接执行者，其表达水平与细胞表型的关联远比转录本更为直接。然而，蛋白质组学虚拟细胞模型的发展长期受制于大规模、时间分辨的蛋白质组数据稀缺。本研究通过高通量DIA-MS技术平台，系统性地绘制了乳腺癌细胞在药物扰动下的蛋白质组动态图谱，为虚拟细胞模型提供了前所未有的训练数据。题目：一种基于操作性扰动蛋白质组学的虚拟细胞模型英文题目：An operational perturbation proteomics-based virtual cell model 期刊：Nature 影响因子：56.1 PMID：42717098 发表时间：2026年9月一、数据基石：3800万蛋白质测量构建的扰动蛋白质组图谱研究团队首先建立了迄今为止规模最大的时间分辨扰动蛋白质组学数据集之一——PTDS（ProteinTalks Dataset）。该数据集涵盖18株乳腺癌细胞系（其中16株为三阴性乳腺癌TNBC细胞系），使用63种FDA批准的小分子药物及59种药物组合进行处理，在0h、6h、24h和48h四个时间点采集蛋白质组数据，最终产生了16,311个蛋白质组学数据和23,482个细胞活力测量数据，涵盖超过3,800万个蛋白质丰度测量值（图1）。图1 为了确保时间动态信息的完整性，团队还构建了多时间点数据集mtPTDS，在3株TNBC细胞系中对55种单药和57种药物组合进行11个时间点（0-60小时）的蛋白质组分析，共产生2,528个蛋白质组样本。通过UMAP降维分析，研究团队发现蛋白质组表达呈现明显的时间聚类特征：早期（0-6h）、中期（8-24h）和晚期（36-60h），这一发现为后续模型选择代表性时间点提供了生物学依据。数据质量方面，PTDS展现出极高的可重复性：池化样本、技术重复和生物学重复的Pearson相关系数中位数分别为0.955、0.953和0.917，证实了高通量DIA-MS平台在规模化蛋白质组分析中的可靠性。二、生物学发现：药物作用机制与耐药相关蛋白的时间动态在建立模型之前，研究团队首先从数据中提取了丰富的生物学洞察。通过开发PertScore算法量化蛋白质扰动效应，共鉴定出823个与药物扰动显著相关的蛋白质。通路富集分析显示，药物作用机制（MOA）相关通路在6小时即显著富集，而细胞死亡相关通路则在48小时富集，这一时间差异反映了药物作用从初始分子事件到最终表型效应的级联过程（图2A）。图2A 更重要的是，通过比较耐药与敏感细胞系的蛋白质动态轨迹，研究团队发现了一批与药物耐药相关的时序生物标志物。例如，在5-氟尿嘧啶处理的细胞中，自噬相关蛋白ATG3在耐药组中持续升高而在敏感组中下降；在CDK抑制剂处理的细胞中，41个蛋白质在耐药组中呈现上调动态而在敏感组中下调，这些蛋白质富集于细胞周期调控和嘌呤核苷酸代谢通路。这些发现不仅验证了已知耐药机制（如TYMS上调导致卡培他滨耐药），还发现了新的潜在耐药靶点，为克服肿瘤耐药提供了线索。三、模型架构：神经ODE驱动的动态蛋白质组预测 ProteinTalks的核心架构包含两个协同工作的模块（图3A）。第一个模块将基线蛋白质组（P0h）与药物靶点信息编码为初始隐状态，通过神经ODE传播该状态以预测后续时间点（6h、24h、48h）的蛋白质表达，实现时间分辨蛋白质组轨迹的重建。第二个模块将预测的蛋白质组轨迹与药物分子结构特征（通过SMILES编码的935维理化性质）整合，通过多层感知机预测药物疗效和药物组合协同效应。图3A 这一架构的关键创新在于：与现有在预定义潜在空间（如PCA嵌入）中进行轨迹插值的方法不同，ProteinTalks让扰动条件化的轨迹动态主动地塑造模型学习到的特征表示。这种设计使得模型能够以相对紧凑的参数量（比现有转录组基础模型少1000倍）捕捉复杂的蛋白质动态变化。在模型训练策略上，团队通过系统比较不同时间点采样密度对性能的影响，最终选择0h、6h、24h和48h四个时间点作为平衡模型性能与数据效率的最优方案。学习曲线分析显示，模型性能随训练数据量增加而持续提升，从10%到70%训练数据，AUPRC从约35%提升至75%以上，表明更大规模的蛋白质组数据仍能带来性能增益。四、模型性能：跨细胞系、跨药物、跨癌种的全面验证 ProteinTalks在多项预测任务中展现出卓越的性能和广泛的适用性。在标准测试集上，模型达到0.86的准确率、0.92的AUROC和0.84的AUPRC。更重要的是，在更具挑战性的跨细胞系留一法交叉验证中，ProteinTalks在17株可评估细胞系上平均AUPRC达0.89、AUROC达0.95、准确率0.90，全面超越包括Geneformer、GeneCompass、UCE等3个转录组基础模型以及DeepSynergy等4个传统机器学习模型，AUPRC提升幅度达10-221%（图3B）。图3B 在跨药物泛化能力测试中，ProteinTalks在留一法药物交叉验证中平均AUPRC达0.57、AUROC达0.64、准确率0.76，同样优于所有基准模型（图3B）。特别是在完全独立的测试集PTNC（包含81种未在训练中出现的新型抗癌化合物）上，ProteinTalks实现了AUPRC 0.94、AUROC 0.89、准确率0.85的优异性能，相比最佳基准模型GeneCompass分别提升32%、73%和150%，展现出强大的零样本预测能力。模型的泛化能力不仅限于乳腺癌。在包含黑色素瘤、结直肠癌、肺癌和胰腺癌的5种非乳腺癌细胞系数据集PTPC上，经过少量样本微调后，ProteinTalks平均AUPRC达0.41、AUROC达0.77，同样显著优于所有转录组基础模型（AUPRC提升74%）。这一结果表明，基于蛋白质组动态学习的表征具有跨癌种的可迁移性。五、药物组合预测与实验验证在药物组合协同预测方面，ProteinTalks对实验验证为协同的药物组合赋予显著更高的预测分数（P=1.797×10⁻⁴）。研究团队进一步对4个高排名预测组合进行了实验验证，包括bosutinib-tucatinib（HCC1143和HCC1395细胞系）和bosutinib-abemaciclib（HCC70和HCC1806细胞系）。所有4个组合均达到预设的协同标准（ΔEmax≥0.2或Δlog2[IC50]≥3），其中bosutinib-abemaciclib在HCC1806细胞中协同效应最为显著（ΔEmax=0.74）（图3F）。图3F六、可解释性分析：从SHAP值到耐药机制 ProteinTalks的另一个重要优势在于其可解释性。通过计算动态SHAP值，研究团队能够量化每个蛋白质对药物反应预测的贡献，并追踪这种贡献随时间的变化。这种时间分辨的可解释性分析揭示了不同药物类别的独特动态特征：烷化剂、HDAC抑制剂和拓扑异构酶抑制剂在6小时时SHAP值分歧较小，但到24小时时显著分离，反映了DNA损伤和表观遗传重编程通过调控级联的延迟蛋白质水平表现；相反，CDK抑制剂、激素类药物和RXR抑制剂在6小时即表现出明显的SHAP值分歧，表明更即时的蛋白质水平信号响应。基于SHAP值排序，研究团队优先筛选出与药物反应相关的关键蛋白质进行实验验证。例如，AKR1C3被ProteinTalks鉴定为抗微管药物（如多西他赛）反应的重要预测因子。通过siRNA敲低实验证实，AKR1C3敲低显著增强了BT20细胞对多西他赛的敏感性（Δln[IC50]=4.24），验证了这一预测（图4C-D）。此外，研究还发现了18个在癌症中功能表征有限的化疗相关蛋白（如ZFYVE19、SYNE2和锌指蛋白），为后续研究提供了新的候选靶点。图4C-D七、临床转化：从PDX模型到患者预后分层 ProteinTalks的临床转化潜力在多个患者来源模型中得到了验证。首先，在30例乳腺癌患者来源肿瘤细胞（PDTC）转录组数据上微调后，模型在预测96种化合物疗效方面，相比从零开始训练的模型，准确率从0.65提升至0.71，AUROC从0.65提升至0.74，AUPRC从0.72提升至0.77，证明了蛋白质组预训练对转录组任务的正迁移效应。更重要的是，在跨癌种PDX模型（PDX-2015nm）的零样本测试中，仅在乳腺癌PDX数据上微调的ProteinTalks模型，在非乳腺癌PDX转录组数据上平均AUROC达0.676，相比GeneCompass（0.576）、Geneformer（0.538）和UCE（0.528）分别提升约24%，展现了从细胞系到患者来源模型的强大迁移能力（图5A-B）。图5A-B 在患者预后分层方面，研究团队对501例接受化疗的TNBC患者治疗前FFPE样本进行蛋白质组分析，使用ProteinTalks基于基线肿瘤蛋白质组和治疗方案计算个体化风险评分。中位数分层将患者分为高风险和低风险组，两组在无复发生存期（RFS，P=0.0004）和总生存期（OS，P=0.002）上均呈现显著差异。对于接受超过两种药物联合治疗的患者，基于SHAP值筛选的top 100蛋白质面板同样能够显著分层预后，证明了模型在临床决策中的潜在应用价值。八、患者类器官药物筛选：精准医疗的"最后一公里" 本研究最具临床转化意义的应用，是ProteinTalks在患者来源类器官（PDO）中的个性化药物筛选。研究团队从3例TNBC患者（P855、P831、P865）建立PDO模型，采集基线蛋白质组数据，使用ProteinTalks对包含3,000种已上市及临床阶段化合物的药物库进行虚拟筛选，预测每种化合物的疗效评分并进行排序。筛选结果首先验证了模型的预测准确性：顺铂（cisplatin）在所有3例患者的预测排名中均位居前列，这与这3例患者临床上对含铂方案（卡铂+紫杉醇+卡瑞利珠单抗）治疗敏感、均达到Miller & Payne 5级完全病理缓解的实际情况完全吻合（图5F）。这一结果证明了ProteinTalks能够从基线蛋白质组中捕捉与铂类药物敏感性相关的生物标志物，为临床用药决策提供支持。图5F 更重要的是，ProteinTalks还从3,000种化合物中优先筛选出3个潜在的重定位药物候选：citarinostat（HDAC6抑制剂，临床Ib期）、THZ-1（CDK7抑制剂）和CAY10603（HDAC6抑制剂）。为了验证这些预测，研究团队在3例患者的PDO中进行了9点剂量-反应细胞毒性实验。实验结果令人振奋：在所有3例患者中，这3个候选药物的IC50值均显著低于顺铂。具体而言，在P855患者的PDO中，CAY10603的IC50为0.33 nM，citarinostat为0.80 nM，THZ-1为0.18 nM，而顺铂为0.53 mM（图5G）；在P831患者中，CAY10603为0.45 μM，citarinostat为0.58 μM，THZ-1为8.35 μM，顺铂为0.17 mM（图5H）；在P865患者中，CAY10603为23.1 nM，顺铂为1.43 μM（图5I）。这些体外实验结果与ProteinTalks的预测排名高度一致，证明了该模型在个性化药物筛选中的实际应用价值。图5G-I 这一发现具有重要的临床意义：对于这3例对标准含铂方案敏感的TNBC患者，ProteinTalks不仅"识别"了临床上有效的顺铂，还发现了可能具有更好疗效的替代方案（如THZ-1在P855中的IC50比顺铂低近3000倍）。 HDAC6抑制剂（citarinostat和CAY10603）和CDK7抑制剂（THZ-1）均为已在其他癌症类型中进入临床试验的药物，这为TNBC患者的药物重定位提供了直接的实验依据。九、结语 ProteinTalks的成功提示我们：虚拟细胞模型的构建不仅需要更大的模型，更需要与模型架构相匹配的高质量数据。时间分辨的扰动蛋白质组学数据，结合动力学感知的深度学习架构，为理解细胞如何响应药物扰动、预测患者如何治疗响应提供了新的范式。随着蛋白质组学技术的不断进步和AI模型的持续优化，基于虚拟细胞的精准医疗正从概念走向临床实践，为癌症患者带来更多个性化治疗的可能。编辑：盛合瑞类器官 · 小蕊校对：盛合瑞类器官 · 灰灰排版：盛合瑞类器官 · 苍南参考文献： Sun R, Qian L, Li Y, Liu T, Cheng H, Zhang X, Zhou X, Zhan Y, Zhang G, Luo Z, Ma K, Wu C, Ji D, Xue Z, Meng H, Xiang Y, Lei D, Zhou Q, Hu W, Deng Y, Tan L, Xiao Q, Liu Z, Zeng L, Qian L, Zheng X, Hu Q, Luo N, E W, Zhou P, Wen H, Zhu Y, Guo T. An operational perturbation proteomics-based virtual cell model. Nature. 2026 Sep 9. doi: 10.1038/s41586-026-11001-9.

细胞疗法

2026-09-11

·山海观屿

给癌细胞做“数字分身”：西湖大学虚拟细胞登上 Nature

试药，是抗癌研发里最昂贵、最漫长、也最残酷的一环：一种新药从合成到确认疗效，往往要烧掉十几年、几十亿，还要无数病人用生命去"试"。有没有可能，先别用人试，先在电脑里"试一遍"？2026 年 9 月 9 日，《自然》（Nature）杂志在线发表的一项研究，让这件事往前迈出了一大步：中国科学家造出了一个 AI 虚拟细胞模型，能在电脑里"先替病人试药"，用于预测最凶险的三阴性乳腺癌对药物的反应。西湖大学医学院、生命科学学院及西湖实验室郭天南团队，联合北京大学、北京科学智能研究院、哈尔滨医科大学等机构，在《自然》发表论文《An operational perturbation proteomics-based virtual cell model》。团队以真实、连续的蛋白质动态数据训练出虚拟细胞模型 ProteinTalks，用于三阴性乳腺癌的药物疗效预测、耐药靶点挖掘与个性化精准治疗指引。一句话理解：科学家没有用基因表达，而是用"蛋白质怎么变"来教 AI 认识细胞，造出了一个能预测"癌细胞会不会被某款药杀死"的数字分身——而且它推荐出的药，在真实实验里确实更管用。为什么偏偏是"蛋白质"，而不是"基因" 要理解这件事的新意，得先看一个被大多数人忽略的细节。近两年火热的"AI 虚拟细胞"，大多是用转录组（也就是 RNA 表达）数据训练出来的，让模型通过基因"开没开"来推测细胞状态。但生物学里有一条著名的"中心法则"：DNA 先转录成 RNA，RNA 再翻译成蛋白质，最后是蛋白质去执行生命活动。打个比方——RNA 更像一张施工图纸，蛋白质才是真正在工地上干活的工人。而现实里，绝大多数药物的靶点，恰恰就是蛋白质。 "相较于 RNA，蛋白质组能够更直接地反映药物是否真正触及靶点，以及细胞功能正在发生怎样的改变。"——西湖大学郭天南团队。所以，用蛋白质动态来训练 AI，等于让模型"盯着一线工人干活"，而不是"翻看图纸"。这也正是 ProteinTalks 与既往模型最根本的分野。一场"涟漪"实验：3800 万条蛋白质轨迹光有思路不够，还得有数据。而"蛋白质如何随时间变化"的数据，恰恰是最难攒的——这需要大规模、时间分辨的扰动蛋白质组实验。郭天南团队干了这件"苦活"：18 株乳腺癌细胞系：其中 16 株是三阴性乳腺癌（TNBC），2 株非三阴性；63 种 FDA 已批准药物，外加 59 种药物组合；4 个时间点采样：给药后 0、6、24、48 小时；规模：累计 16,311 个扰动蛋白质组样本，定量出 5,585 个蛋白质、超过 3800 万条蛋白质丰度时间序列。郭天南自己打过一个很形象的比方——"涟漪"（ripple）：细胞里的蛋白质像一池水，药物是丢进去的石子。和现实中会逐渐消散的涟漪不同，细胞里的"涟漪"可能减弱，也可能越滚越大，最终掀起决定细胞生死的轩然大波。AI 要学的，就是这"一石激起千层浪"的规律。在模型架构上，团队采用了一种"接力"式的精简设计：用神经常微分方程（Neural ODE）刻画蛋白质随时间的变化轨迹，再用多层感知器（MLP）把药物结构信息接进来，输出药效与联用协同分数。参数量刻意做得精简，而不是一味堆规模。它到底"考"得怎么样判断一个虚拟细胞行不行，关键看它在"没见过的题"上表现如何。论文给出的成绩单相当硬：留一细胞系交叉验证：平均 AUPRC 0.89、AUROC 0.95、准确率 0.90，全面优于 Geneformer、GeneCompass、UCE 等转录组基础模型；跨药物：在 81 种"训练时没见过的"化合物上，零样本预测 AUPRC 高达 0.937；跨癌种：通过少样本学习，成功迁移到黑色素瘤、结直肠癌、肺癌、胰腺癌等非乳腺癌细胞系；预测药物协同：准确预测出博舒替尼+图卡替尼、博舒替尼+阿贝西利等高效联用组合，并在三阴性乳腺癌细胞中实验验证；挖出耐药靶点：模型通过可解释性分析揪出与抗有丝分裂药物耐药密切相关的蛋白 AKR1C3，siRNA 敲低后，BT20 细胞对多西他赛的敏感性显著提高。更关键的是，它不只停在"细胞系"层面，而是摸到了临床的门槛。团队对 501 例三阴性乳腺癌患者的肿瘤组织样本做预后分层，按模型风险评分划分的两组，在无复发生存期（P=0.0004）和总生存期（P=0.002）上都显著分离，和临床随访基本吻合。此外，模型还从 3 例患者的类器官出发，对约 3000 种化合物做了虚拟筛选，推荐出的 CAY10603、citarinostat、THZ-1 等候选药，杀伤效力都优于临床标准的顺铂化疗。距离"真·虚拟细胞"还有多远必须客观地说，这还只是第一步，而不是终点。ProteinTalks 并不是对真实细胞全部结构与功能的完整复制，而是一个聚焦"药效预测"这一明确任务的垂类模型。团队在论文里也坦诚列出了局限：蛋白质覆盖深度有限：高通量质谱为了提速，检测到的蛋白质种类仍只是"蛋白质宇宙"的冰山一角；未纳入翻译后修饰与多组学：药物作用后的蛋白修饰、转录组与代谢组变化，尚未整合进来；未显式建模剂量与给药顺序：模型暂时无法模拟"剂量改变"或"先 A 后 B"带来的差异；主要面向乳腺癌：训练数据以三阴性乳腺癌为主，向其他癌种推广仍需扩展。一句话收束：这是一个"用蛋白质动态训练 AI、并一路验证到患者样本"的概念验证，方向清晰、数据扎实，但它离临床落地，还隔着前瞻性试验这道必经的坎。为什么这件事，普通人也值得知道这则研究对普通人的意义，远不止"又发了一篇 Nature"。它至少带来三层"知识增量"：第一层：它改写了"AI 造药"的思路。过去 AI 制药多是看基因、看结构，这次证明"盯住蛋白质动态"是另一条同样可行的路，而且可能更贴近药物真实作用；第二层：它让人看见"先试电脑、再试人"的可能。如果虚拟细胞足够准，未来海量候选药可以在电脑里先筛一遍，昂贵、漫长的药物研发有望被大幅压缩，病人也不必再当"人肉试药者"；第三层：它再次确认了中国科学家在"AI for Science"前沿的存在感。从 AlphaFold 到虚拟细胞，这场改变生命科学范式的浪潮里，中国团队正从"追赶者"变成"并跑者"。回到开头那句朴素的问题：能不能先别用人试？郭天南团队给出的答案是——或许可以，先从给癌细胞做一个"数字分身"开始。它今天还只能预测三阴性乳腺癌，但这条"用蛋白质教 AI 认识生命"的路，才刚刚铺开。关注「科普深观察」，每天一条权威期刊的硬核解读。信息来源：Sun R, Qian L, Li Y, Liu T, et al. *An operational perturbation proteomics-based virtual cell model*. Nature, 2026 年 9 月 9 日在线发表。DOI: 10.1038/s41586-026-11001-9；西湖大学官方发布（论文团队、研究背景与技术细节）；BioArt / 深究科学 / 生物世界等中文生命科学媒体 2026 年 9 月 9 日—10 日报道。免责声明：本文内容基于《自然》杂志论文、西湖大学官方发布及多家权威科学媒体的公开报道整理，仅供科普参考。ProteinTalks 目前仍是概念验证阶段的虚拟细胞模型，其临床效用需经前瞻性研究进一步验证；文中数据（样本量、AUROC/AUPRC、P 值、候选药物等）均以原论文及权威机构正式发布信息为准，解读不构成对研究结论的最终判定，亦不构成任何诊疗建议。

100 项与伯舒替尼相关的药物交易

登录后查看更多信息

外链

KEGG	Wiki	ATC	Drug Bank
D09728	伯舒替尼	L01XE14	DB06616

研发状态

批准上市

10 条最早获批的记录,

后查看更多信息

适应症	国家/地区	公司	日期
慢性粒细胞性白血病	日本	Pfizer Japan, Inc.	2014-09-26
动脉导管未闭	澳大利亚	Pfizer Australia Pty Ltd.	2014-04-29
加速期费城染色体阳性慢性粒细胞白血病	欧盟	Pfizer Europe MA EEIG	2013-03-27
加速期费城染色体阳性慢性粒细胞白血病	冰岛	Pfizer Europe MA EEIG	2013-03-27
加速期费城染色体阳性慢性粒细胞白血病	列支敦士登	Pfizer Europe MA EEIG	2013-03-27
加速期费城染色体阳性慢性粒细胞白血病	挪威	Pfizer Europe MA EEIG	2013-03-27
急变期费城染色体阳性慢性粒细胞白血病	欧盟	Pfizer Europe MA EEIG	2013-03-27
急变期费城染色体阳性慢性粒细胞白血病	冰岛	Pfizer Europe MA EEIG	2013-03-27
急变期费城染色体阳性慢性粒细胞白血病	列支敦士登	Pfizer Europe MA EEIG	2013-03-27
急变期费城染色体阳性慢性粒细胞白血病	挪威	Pfizer Europe MA EEIG	2013-03-27
慢性期费城染色体阳性慢性粒细胞白血病	欧盟	Pfizer Europe MA EEIG	2013-03-27
慢性期费城染色体阳性慢性粒细胞白血病	冰岛	Pfizer Europe MA EEIG	2013-03-27
慢性期费城染色体阳性慢性粒细胞白血病	列支敦士登	Pfizer Europe MA EEIG	2013-03-27
慢性期费城染色体阳性慢性粒细胞白血病	挪威	Pfizer Europe MA EEIG	2013-03-27
费城染色体阳性慢性粒细胞白血病	美国	PF Prism CV	2012-09-04

未上市

10 条进展最快的记录,

后查看更多信息

适应症	最高研发状态	国家/地区	公司	日期
慢性期慢性髓性白血病	临床3期	美国	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	澳大利亚	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	比利时	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	加拿大	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	捷克	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	丹麦	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	芬兰	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	法国	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	德国	Pfizer Inc.	2014-07-15
慢性期慢性髓性白血病	临床3期	匈牙利	Pfizer Inc.	2014-07-15

登录后查看更多信息

临床结果

适应症

分期

评价

查看全部结果

研究	分期	人群特征	评价人数	分组	结果	评价	发布日期


NCT03888222 (CTgov)	临床2期	路易体病	26	Placebo Oral Tablet (Placebo)	製構範淵願鹹夢網範範 = 艱網觸製構憲鏇網鬱蓋鑰願襯遞選餘廠憲廠醖 (衊壓顧襯夢膚淵製鬱顧, 積鹽窪鏇淵膚夢鑰製遞 ~ 鏇鑰膚憲衊淵襯製蓋淵) 更多	-	2026-07-10
				Bosutinib Oral Tablet (100 mg of Bosutinib)	製構範淵願鹹夢網範範 = 糧鑰餘糧淵淵膚廠觸鬱鑰願襯遞選餘廠憲廠醖 (衊壓顧襯夢膚淵製鬱顧, 築餘廠鏇餘膚製鬱網壓 ~ 鹹鑰鬱餘餘壓構鬱範簾) 更多
ASCO_Breakthrough2026	N/A	慢性期慢性髓性白血病	118	Dasatinib	憲糧構齋鑰齋窪製選鹹(鏇艱糧顧憲築衊範製膚) = 窪願顧襯觸構夢鏇糧製積繭窪蓋膚鏇簾構鹽遞 (齋觸膚鏇膚夢襯糧齋鑰 ) 更多	积极	2026-06-25
				Nilotinib	憲糧構齋鑰齋窪製選鹹(鏇艱糧顧憲築衊範製膚) = 壓鑰鏇積壓醖構艱遞膚積繭窪蓋膚鏇簾構鹽遞 (齋觸膚鏇膚夢襯糧齋鑰 ) 更多
AACR2026	N/A	慢性粒细胞性白血病	291	Ponatinib	餘遞選鏇膚顧鑰襯廠顧(繭憲襯餘構鬱鬱構鹹衊) = 製壓積襯糧築製選鹹積製範淵顧鹽壓蓋選鹹鑰 (網齋獵衊糧壓鏇鏇範醖 )	积极	2026-04-21
				Bosutinib	壓襯醖鏇醖鏇夢襯廠夢(製築淵鹽醖醖壓簾範顧) = 願選鹹網製範繭願網壓鬱鑰鑰廠膚選鹽醖膚選 (鬱築網選積積鹹艱襯鑰 ) 更多
NCT04258943 (ITCC-054/COG-AAML1921, EHA2025)	临床2期	诺里病 BCR::ABL1	30	Bosutinib 300 mg/m2 QD	衊築製蓋膚壓醖積夢選(蓋簾膚願餘齋鹽鬱鏇鏇) = 鑰鹽襯夢遞獵獵網鑰選構築壓築獵製窪窪醖糧 (艱網顧簾廠糧壓鬱夢蓋, 90 ~ 100%) 更多	积极	2025-05-14
NCT03205267 (Bodo Trial (CML-VII-study of the German CML Study Group), ASH2024)	临床2期	慢性期慢性髓性白血病二线	45	Bosutinib	夢艱願齋鹹餘構艱鹽憲(獵衊蓋願膚窪餘壓糧鑰) = All pts had ≥1 any grade treatment emergent adverse event (TEAE), occuring a median of 15 days after starting bosutinib (range: 1 - 225 days) 鹽製膚鏇鏇簾選淵夢襯 (淵鑰糧鏇遞窪艱顧觸願 ) 更多	积极	2024-12-07
				Nilotinib
NCT04916769 (CTgov)	临床1期	-	18	Bosutinib (Bosutinib 500 mg Capsule Contents + Applesauce 45 mL)	製願夢窪構選獵獵築簾(膚築鬱憲窪廠窪顧製遞) = 範願淵觸鏇衊簾積繭觸醖構壓簾顧鬱簾顧選鏇 (淵遞鬱夢窪選襯壓鹹鑰, 28) 更多	-	2024-11-07
				Bosutinib (Bosutinib 500 mg Capsule Contents + Yogurt 45 mL)	製願夢窪構選獵獵築簾(膚築鬱憲窪廠窪顧製遞) = 鹹顧鬱壓糧積選觸鹽積醖構壓簾顧鬱簾顧選鏇 (淵遞鬱夢窪選襯壓鹹鑰, 23) 更多
NCT02228382 (BYOND, Pubmed \| Leukemia) 人工标引	临床4期	慢性粒细胞性白血病 Philadelphia Chromosome	163	Bosutinib 500 mg QD	蓋艱鬱憲糧壓襯鏇憲範(觸築齋淵醖衊鑰願鏇夢) = 鹽構獵構積窪蓋簾衊範廠範願壓鬱獵顧襯衊鬱 (糧鏇淵壓選願窪齋積齋, 63.9 ~ 78.9) 更多	积极	2024-10-01
NCT05032690 (CTgov)	临床1期	-	32	Bosutinib (Treatment A: Bosutinib 1*100 mg Capsule Fed)	壓憲鏇憲憲廠構膚觸壓(繭製襯蓋顧鹹廠範鹹網) = 鹽獵膚獵範廠鏇窪鹽簾齋糧簾鬱選廠鹽範範築 (夢夢觸淵夢製構獵鹽鏇, 32) 更多	-	2024-09-20
				Bosutinib (Treatment B: Bosutinib 4*25 mg Capsule Fed)	壓憲鏇憲憲廠構膚觸壓(繭製襯蓋顧鹹廠範鹹網) = 鹹淵蓋遞鹽網鹹構膚願齋糧簾鬱選廠鹽範範築 (夢夢觸淵夢製構獵鹽鏇, 39) 更多
NCT02228382 (BYOND, Pubmed) 人工标引	临床4期	费城染色体阳性慢性粒细胞白血病 Philadelphia chromosome-positive	156	Bosutinib500mg once daily	蓋醖餘鹽簾壓網網範夢(構鑰餘獵衊顧糧遞鑰顧) = 範築鹽糧餘築鏇壓積鬱壓遞糧窪鏇淵襯餘艱構 (糧觸觸壓餘夢餘衊選選 ) 更多	积极	2024-04-01
				Bosutinib 500mg once daily (dasatinib/nilotinib-resistant)	蓋醖餘鹽簾壓網網範夢(構鑰餘獵衊顧糧遞鑰顧) = 鹹觸獵窪艱蓋遞製願願壓遞糧窪鏇淵襯餘艱構 (糧觸觸壓餘夢餘衊選選 ) 更多
NCT04793399 (CTgov)	临床1/2期	慢性期慢性髓性白血病 \| 慢性白血病 \| 费城染色体阳性慢性粒细胞白血病	9	Atezolizumab+Bosutinib	網獵顧積醖窪淵顧窪夢 = 蓋膚願壓鹹廠鏇顧簾鑰窪範齋憲選夢網選製獵 (獵鬱築觸艱鑰鹽糧簾淵, 願範醖醖鹹鬱夢艱鑰築 ~ 構廠願齋廠繭簾鏇簾襯) 更多	-	2024-03-12