Idasanutlin

研究内容 T 细胞淋巴瘤 / 白血病（简称 TCL）是一类起源于 T 免疫细胞的罕见血液肿瘤，分为十多种亚型，不同亚型发病特点、治疗效果差异极大。目前临床主流治疗方案仍是传统化疗，靶向药选择少，多数晚期患者预后很差。核心现实难题有三点：1）TCL 各亚型病例稀少，很难开展大规模新药临床试验；2）现有公共数据库（DepMap、DrugComb 等）仅收录少量 TCL 细胞，缺少统一标准化的基因组、转录组、染色质开放等多组学配套数据；3）同时包含单药、药物联合筛选的 TCL 数据集几乎空白，无法快速找到亚型专属靶向药和能预判药效的分子标志物。现有细胞系药物筛选研究技术标准不统一，数据无法合并分析，缺少一套完整、可公开复用的临床前研究工具支撑新药发掘，这是本研究需要解决的核心痛点。 2025年10月30日芬兰赫尔辛基大学Tero Aittokallio团队联合奥地利维也纳兽医大学、加拿大多伦多玛格丽特公主癌症中心、德国科隆综合肿瘤中心等多国多机构在Cancer Research（IF≈13.312）上发表题为“Multiomics Profiling of T-cell Leukemia and Lymphoma Enables Targeted Therapeutic Discovery”的研究论文，构建基于RNA-seq/ATAC-seq/aCGH/突变检测整合的TCL-38多组学药理资源库，结合多机器学习模型实现T细胞淋巴瘤亚型特异性单药、协同药物组合挖掘与药效预测标志物筛选。 核心创新点 研究搭建了大规模、数据最完整的 TCL 细胞系多组学药理数据库 TCL-38，一次性完成 38 株覆盖全部主流 TCL 亚型细胞的多维度分子测序 + 172 种药物单药筛选 + 17 组 AI 预测的联合用药验证； 同时融合三类机器学习模型实现药效预测，通过基因组、转录、表观多组学交叉分析找到多个可临床转化的药效标志物； 配套开发免费免登录网页可视化工具，所有数据标准化开源共享，填补了 TCL 精准治疗临床前研究的工具空白。 研究内容 Fig 1 A 为 38 株 TCL 细胞系对应 7 种肿瘤亚型的占比饼图；B 汇总全部细胞系临床背景信息（病毒感染、发病部位、患者年龄、性别等）；C 罗列本研究使用的全部分子检测技术；D 为 172 种受试药物按作用靶点分类的饼图；E 是多组学特征、单药响应、联合用药协同、基因突变、拷贝数、转录组、染色质开放数据的可视化热图合集。 1.TCL-38 整合多组学与药物筛选资源全景图 图 1A 直观展示 38 株细胞完整覆盖临床所有主流 TCL 亚型，包含 T-ALL、ALCL、NK/T、皮肤 T 细胞淋巴瘤等 7 大类，兼顾发病率高的亚型和极罕见亚型。图 1B 补充每株细胞原始患者的临床信息，方便研究者对照临床场景解读体外实验结果，区分 EB 病毒阳性 / 阴性、淋巴结 / 结外发病细胞系，完善细胞模型临床背景注释。图 1C 说明本研究同时开展 RNA-seq、ATAC-seq、aCGH 芯片、突变检测四大类分子测序，一次性获取基因组、转录、染色质表观三层分子信息，区别于过往仅单一组学的研究。图 1D 统计 172 种受试药物构成，包含 67 种已上市临床药物、105 种在研靶向化合物，覆盖激酶抑制剂、HDAC 抑制剂、BCL2 抑制剂等全部 TCL 热门药物类别，药物来源分为临床专家人工挑选、AI 模型预测两类，两类药物形成互补筛选体系。 图 1E 将全部多组学和药物响应数据整合为并排热图，纵轴（每行）为 38 株细胞、纵向对应不同检测维度，直观体现不同亚型细胞在基因突变、基因表达【转录组展示基因挑选规则：仅保留至少 1 个样本 count＞10、全部样本总 count＞25的基因，低于阈值直接丢弃，消除极低表达带来的随机测序干扰】、染色质开放、药物敏感度上的巨大差异，同时标注单药 DSS 药效评分、联合用药 ZIP 协同打分两套标准化定量指标，证明 TCL 不同亚型分子特征和药物反应不存在统一规律，必须分亚型精准分析。研究还发现 Mac-1、Mac-2a 两株细胞原始来源于皮肤 T 细胞淋巴瘤，但分子、药物响应模式和 ALCL 细胞高度聚类，证明单纯依靠临床发病部位划分肿瘤亚型存在局限性，分子特征才是决定药物敏感性的核心因素（图 1E）。 Fig 2 2A 展示机器学习模型训练完整流程；2B 对比专家筛选药物、AI 预测药物数量并展示全部细胞单药药效热图；2C 箱图对比两类药物在不同细胞系的药效差异；2D 基于药物响应的细胞分层聚类树；2E 左侧为两种药物库聚类结果与临床亚型匹配度、右侧为药物亚型特异性打分分布；2F-J 依次为转录组、ATAC 表观、基因突变、拷贝数变异、基因融合与药物敏感性的相关性散点图。 2.单药敏感性机器学习预测、筛选及多组学分子标志物关联分析 图 2A 完整呈现 AI 预测药物的建模逻辑，使用 16 株 TCL 细胞 + 5 例健康人 CD3 阳性 T 细胞转录组作为训练输入，分别搭建 XGBoost、pairwiseMKL、scTherapy 三种独立机器学习模型，融合三者输出形成集成预测模型，加入健康正常细胞数据可以减少模型把广谱毒性药物误判为肿瘤特异性药物的概率（图 2A）。图 2B 统计药物来源：专家人工挑选 116 种、AI 预测 69 种，仅 13 种药物两者重合，说明 AI 能挖掘大量临床专家忽略的潜在有效药物，右侧热图清晰看出 JAK 抑制剂对 NK、γδ 亚型细胞特异性更强，蛋白酶体抑制剂硼替佐米对全部细胞均有效，广谱药物和亚型专属药物区分明显。 图 2C 证实 38 株细胞中有 5 株对 AI 预测药物整体响应更强，证明 AI 筛选的化合物能补充传统专家筛选遗漏的治疗潜力分子。图 2D 基于 DSS 药效评分对细胞分层聚类，专家药物、AI 药物两套体系聚类结果不同，代表两类药物分别捕捉肿瘤细胞不同层面的生存依赖特征，不能互相替代。 图 2E 左图调整兰德指数证明两类药物聚类结果和临床亚型匹配度接近，说明两种筛选方式都能反映 TCL 亚型异质性；右图药物特异性指数显示两类独有药物亚型选择性更强，重合药物大多广谱起效（图 2E）。图 2F 转录组数据发现 ALK 抑制剂 ceritinib 药效和 RASA4 基因表达显著负相关，RASA4 低表达的 ALCL 细胞对 ceritinib 更敏感；图 2G ATAC-seq 染色质开放数据证明 DNA 复制相关染色质开放程度越高，核苷类药物 nelarabine 杀伤效果越强，该规律在 T-ALL 细胞中最突出；图 2H 突变检测显示 MDM2 抑制剂 idasanutlin 仅在 TP53 野生型细胞中起效，突变型细胞几乎无响应；图 2I 拷贝数芯片数据证实 21 号染色体 q22.3 区域扩增会降低 JAK2/FLT3 抑制剂 pacritinib 药效；图 2J 融合基因检测发现携带 NPM1-ALK 融合的 ALCL 细胞对 gilteritinib 更敏感，该融合基因可作为 gilteritinib 疗效预判标志物。以上五组跨组学关联结果，证明 TCL 药物敏感性由基因组、转录、表观多重分子特征共同调控，单一维度测序无法完整解释药效差异。 Fig 3  3A 为 AI 预测亚型专属联合用药的分析流程；图 3B 是 17 组预测组合在 38 株细胞的 ZIP 协同得分热图；图 3C 展示单组药物 8×8 剂量矩阵热图与协同值分布示例；图 3D 柱状图统计各亚型中强协同组合（ZIP≥10）占比；图 3E 三组代表性药物组合在不同 TCL 亚型的协同差异箱图；图 3F 对比 TP53 野生 / 突变细胞中 idasanutlin 两类联合方案的协同强度；图 3G 散点图展示 RET 基因表达与 alectinib+gilteritinib 组合协同得分相关性；图 3H 通路富集 GSVA 分值与协同得分关联热图；图 3I p53 通路活性与 idasanutlin+venetoclax 协同相关性；图 3J STRING 蛋白互作网络展示 p53 通路、idasanutlin 靶点、venetoclax 靶点的相互作用关系。 3.SjD 唾液腺基因共表达模块分析 图 3A 利用 scTherapy 模型完成亚型专属联合用药预测，先将三大主流 TCL 亚型（NK、ALCL、T-ALL）分别和健康 T 细胞、其他亚型细胞做差异基因对比，筛选出各亚型独有的表达特征基因，基于特征基因预测仅对单一亚型起效的药物搭配，同时过滤单独药效过强 / 完全无效的药物，只保留单药中等活性、具备联用增效潜力的分子，最终筛选出 17 组候选联合方案（图 3A）。图 3B 大规模实验验证全部 17 组组合，热图可见预测给 NK 亚型的 4 组药物仅在 NK 细胞中出现强协同效应，ALCL 专属 alectinib+gilteritinib 组合仅在 ALCL 细胞起效，证明 AI 预测具备高度亚型特异性（图 3B）。图 3C 以 SNK-6 NK 细胞为例展示 8×8 梯度剂量矩阵，能定位 3×3 最优给药浓度窗口，定量计算 ZIP 协同分数，避免单一固定剂量误判联用效果，提升筛选精准度（图 3C）。图 3D 柱状统计结果显示，每种组合在原本预测匹配的亚型中强协同比例显著更高，其中 ALCL 亚型匹配度最优，归因于该亚型细胞数量最多、模型训练数据充足（图 3D）。图 3E 选取三组代表性组合验证亚型特异性：idasanutlin+venetoclax 在 NK、γδ 亚型协同最强，alectinib+gilteritinib 仅 ALCL 起效，sapanisertib+upadacitinib 对 PTCL 亚型增效明显，不同组合适配完全不同肿瘤亚型（图 3E）。图 3F 对比 TP53 野生和突变细胞，idasanutlin 联合 venetoclax、upadacitinib 两组方案在 TP53 野生细胞中协同效果显著提升，功能正常的 p53 蛋白是两组联用起效的必要条件。 图 3G 相关性分析证明 RET 基因表达越高，alectinib+gilteritinib 联用协同越强，RET 表达可作为该组合疗效预判标志物（图 3G）。 图 3H 全通路 GSVA 富集分析显示不同药物组合对应的关键通路完全不同，不存在通用增效通路，联合用药机制具备高度肿瘤亚型特异性（图 3H）。图 3I p53 通路激活分值和 idasanutlin+venetoclax 协同得分正相关，通路活性越高联用杀伤肿瘤效果越好（图 3I）； 图 3J 蛋白互作网络直观解释联用机制：idasanutlin 解除 p53 抑制、venetoclax 解除凋亡蛋白抑制，两者共同打通细胞凋亡通路，形成协同杀伤效果，从分子通路层面解释体外筛选结果（图 3J）。整套联合用药实验和多组学关联分析，证明 AI 能精准预判亚型专属增效组合，且可通过多组学找到联用疗效的分子预测标志物。 Fig 4 A网页平台三大核心模块流程图（分子多组学检测、机器学习预测、药物响应筛选）；4B 同一批细胞的转录组表达热图、单药 DSS 药效热图并排展示；4C 鼠标悬浮弹窗展示单药完整剂量 - 效应曲线与 IC50 数值； 4D 多组学关联分析散点图，示例 ceritinib 药效评分与 RASA4 基因表达的负相关关系 4.TCL-38 交互式网页工具架构与可视化功能演示 图 4A 清晰划分网页工具三大数据来源模块：第一模块整合 RNA-seq、ATAC-seq、拷贝数、基因突变全部分子测序数据；第二模块收纳 XGBoost、pairwiseMKL、scTherapy 三类机器学习模型的药物预测结果；第三模块收录单药、联合用药高通量筛选原始药效数据，三类数据打通互通，用户可自由交叉关联分析，所有数据云端存储无需本地下载大型测序文件。 图 4B 实现多组学数据并排可视化，用户可自主选择任意细胞系、任意目标基因、任意药物，同时查看基因表达水平和对应药物敏感性，直观对比分子特征和药效的对应关系，省去手动整合多份独立数据文件的繁琐操作，适合快速批量筛选潜在疗效标志物。 图 4C 搭载悬浮弹窗交互功能，鼠标点击任意药物单元格，自动弹出完整梯度剂量抑制曲线、IC50 定量数值、DSS 药效评分，不用单独调取原始筛选数据，快速判断药物活性强弱、起效浓度区间，辅助评估药物临床转化潜力。 图 4D 内置多组学关联统计工具，自动计算基因表达、染色质开放、突变状态和药物响应的皮尔逊、斯皮尔曼相关系数，一键生成散点图可视化相关性，本图示例复现图 2F 中 ceritinib 与 RASA4 的负相关结果，所有统计 P 值自动输出，无需额外使用 R、Python 等编程软件分析数据，降低临床医生、基础实验室人员使用门槛。 该网页工具完全免费开放、无需注册登录，配套完整标准化 TCL-38 数据集，同时支持数据导出对接 ORCESTRA、Zenodo 公共数据库，符合科研数据 FAIR 共享原则，解决过往多组学药理数据门槛高、可视化工具缺失、数据难以复用的行业痛点，让全球研究者均可免费挖掘 TCL 靶向药与疗效标志物。 研究思路 样本搭建：多方合作收集、扩增、质控 38 株 TCL 细胞，建立完整注释细胞库； 多组学全景测序：统一标准完成转录、表观、拷贝数、基因突变四层分子测序，整合 DepMap 公开 DNA 突变数据补充基因组信息； 高通量药物筛选：完成 172 种单药梯度活力检测；基于 AI 预测 17 组亚型专属联合用药并开展联用梯度筛选，定量单药、联用药效； 机器学习建模：训练三类 AI 模型，基于转录组预测潜在有效药物，区分高低置信预测结果； 多组学关联挖掘：通过 MOFA、GSVA、相关性检验、突变富集分析，挖掘各亚型药物敏感性对应的基因组 / 转录 / 表观标志物，解析单药、联合用药分子机制； 数据标准化开源：整合全部多组学、药理数据构建 TCL38 PSet 标准化数据集，上传公共数据库；搭建免费交互式网页工具供全球研究者使用，助力 TCL 靶向新药发掘。 内容总结 T 细胞淋巴瘤 / 白血病（TCL）亚型异质性强、临床前标准化多组学药理数据稀缺，新药研发与标志物挖掘存在明显瓶颈。本研究构建全球覆盖最全的 38 株 TCL 细胞系 TCL-38 资源库，囊括全部主流临床亚型，完成 RNA-seq、ATAC-seq、拷贝数芯片、突变融合检测四层整合多组学测序；同时完成 172 种单药高通量药效筛选，融合三类机器学习模型预测并体外验证 17 组亚型专属协同药物组合。 研究通过多组学关联分析，挖掘出 TP53、RASA4、NPM1-ALK 等一批可预判药物响应的分子标志物，阐明不同亚型药物敏感的分子调控机制。研究统一 DSS、ZIP 标准化药效打分体系，搭建免费免登录交互式网页分析平台，全部测序与药物筛选数据开源共享。该资源填补 TCL 整合药理多组学数据空白，为精准靶向药、联合用药及临床疗效标志物发掘提供标准化体外研究工具。 原文地址：http://dx.doi.org/10.1158/0008-5472.CAN-25-0881