Evofosfamide

大家好，今天与大家分享我们课题组近期在Molecular Biomedicine （IF=10.1）上发表的一篇综述，题目为“Drug resistance in cancer: molecular mechanisms and emerging treatment strategies” 摘要 治疗耐药性仍然是肿瘤学领域的一个决定性挑战，限制了当前疗法的持久性，并导致疾病复发和患者不良预后。本综述系统地整合了在关于化疗、靶向治疗和免疫治疗中耐药性的分子、细胞和生态系统方面的最新进展。我们描述了遗传改变、表观遗传重编程、翻译后修饰和非编码RNA网络如何与代谢重编程和肿瘤微环境重塑协同作用，以维持耐药表型。微生物组通过免疫调节和代谢相互作用，作为治疗反应的新兴决定因素，其影响被重点强调。通过总结关键的调控回路，我们建立了一个连接克隆进化、代谢适应性和肿瘤生态动力学的统一框架并进一步综合了将耐药机制转化为治疗脆弱性的新型治疗策略，包括合成致死方法、代谢靶向以及破坏干细胞和基质生态位。单细胞和空间组学、液体活检以及人工智能的进展被强调为早期检测和实时预测耐药性演变的变革性工具。本综述还指出了临床前建模中的主要转化差距，并提出了基于进化原理指导的精准肿瘤学框架。通过将作用机制理解与适应性临床设计相连接，本研究为克服治疗耐药性和实现持续的、长期的癌症控制提供了一个综合路线图。 1 引言 癌症已成为全球主要死亡原因之一。这不仅带来了重大的公共卫生负担，也对人类预期寿命构成了主要威胁。对于绝大多数实体瘤，根治性切除仍然是主要的治疗选择。然而，对于某些早期肿瘤，特别是那些没有明显临床症状且具有高侵袭性的肿瘤，通常难以实现早期检测和及时干预，导致错失最佳治疗窗口。 为了应对这一挑战，以药物治疗为核心的综合治疗策略已成为大多数肿瘤管理的基石。从传统化疗到靶向治疗和免疫治疗，可用治疗方案的范畴不断扩大，导致死亡率显著降低和总生存期改善。然而，药物耐药性，这一癌症治疗中最根本的挑战，与肿瘤直接且致命地联系在一起。它不是一个孤立的并发症，而是一个导致治疗失败并引发肿瘤复发和转移的核心生物学过程。这个问题的复杂性源于其机制的极端多样性。肿瘤细胞可以通过多种途径逃避杀伤，包括激活药物外排泵、诱导靶点突变和激活替代信号通路。此外，这些机制在肿瘤内表现出空间异质性，并在治疗过程中动态演变。 更令人担忧的是，药物耐药性的普遍性遍及所有主流疗法。从药物类别的角度来看，无论是化疗药物、靶向疗法、免疫治疗药物，还是抗体药物偶联物等新型治疗方式，耐药性仍然是一个主要问题。从治疗时间线的角度来看，耐药性可能表现为原发性耐药，也可能表现为治疗过程中出现的获得性耐药。无论哪种类型，所有形式的耐药性最终都会导致肿瘤复发或转移，以治疗失败告终。因此，早期识别耐药类型并阐明其分子机制对于优化治疗策略和改善临床结果至关重要。 本综述从当前癌症治疗的临床现状出发，考察了各种形式的治疗耐药性，包括内在和获得性类型。并进一步分析了不同治疗模式下的耐药性。基于此框架，我们详细综合了多个生物学层面的耐药机制，包括基因表达和突变、表观遗传修饰、蛋白质表达和翻译后修饰以及肿瘤免疫微环境因素。更重要的是，我们系统地总结了近年来提出的克服耐药性的新兴策略，特别关注了新型疗法。最后，我们强调了当前研究的局限性，并提出了可能指导后续研究的未来方向。通过这种综合与分析，我们旨在为阐明肿瘤耐药的分子基础和开发更有效的治疗策略提供有价值的参考。 2 临床负担与不断演变的耐药范式 肿瘤耐药性从根本上限制了癌症治疗的临床获益。目前，大约90%的化疗失败和超过50%的靶向或免疫治疗失败可直接归因于耐药性，这不仅阻碍了生存率的提高，也导致了医疗资源的巨大浪费。随着以分子分型为指导的精准医学的进步，先天性与获得性耐药的双重范式，以及肿瘤特异性异质性屏障，已成为临床决策的关键考量因素。与靶向治疗、免疫检查点抑制剂和ADC相关的独特耐药机制进一步强调了肿瘤在治疗压力下的动态进化能力。因此，通过评估耐药性带来的临床负担，解构其分类学框架，并阐明这三种领先治疗模式中耐药性的分子逻辑，可以帮助克服当前的治疗瓶颈。 2.1 临床实践中的治疗失败 在临床实践中，肿瘤耐药性已成为癌症管理的核心挑战。耐药性的出现是大多数肿瘤复发的主要原因，也是导致癌症相关死亡率的主要因素。重要的是，这一挑战并不局限于任何单一治疗类型，而是在几乎所有恶性肿瘤中都有观察到。因此，耐药性是临床医生和研究人员共同面临的普遍障碍。 在可用的治疗选项中，无论是常规化疗还是靶向治疗和免疫治疗等新型治疗方式，都已有耐药性的报道。研究表明，高达90%的化疗失败可归因于耐药性，这一发现在大多数恶性肿瘤中观察到。在乳腺癌中，对紫杉醇、5-氟尿嘧啶、多柔比星、环磷酰胺和卡铂的耐药不仅导致肿瘤复发，也预示着患者预后不良。类似地，在结直肠癌和胃癌中，对诸如5-氟尿嘧啶和奥沙利铂等药物的耐药性对患者生存构成严重威胁。包括小分子药物和生物制剂在内的靶向药物和免疫检查点抑制剂已显示出显著疗效，但仍面临耐药性问题。例如，广泛认为在慢性髓性白血病和胃肠道间质瘤中取得成功的伊马替尼最终会遇到耐药性。针对人表皮生长因子受体2的靶向治疗可能在一年内产生耐药性。在黑色素瘤中，免疫治疗耐药性可能在五年内发生，而在非小细胞肺癌中，约56%的患者在四年内出现疾病进展。 为了应对单一疗法的耐药性，联合治疗策略被提出。理论上，由于作用机制和耐药机制不同，联合治疗应能最大化疗效，同时最小化耐药的可能性。然而，在临床现实中，联合方案常常失败，特别是在晚期肿瘤中，因为会出现新的耐药性。此外，虽然缓解率可能提高，但多药化疗显著增加了治疗相关的毒性。这一挑战不仅限于化疗，也涉及包括靶向治疗和免疫治疗在内的组合。例如，在转移性黑色素瘤中，抗PD-1和抗CTLA-4抗体的双重免疫检查点阻断实现了较高的初始缓解率，但长期生存获益仍不确定，近一半患者经历了严重的治疗相关不良事件。鉴于交叉耐药和多药耐药机制的存在，联合治疗并不代表问题的最终解决方案。 2.2 药物耐药的临床分类 广义上，药物耐药可分为两种范式：先天性耐药（原发性耐药）和获得性耐药（继发性耐药）。先天性耐药指对初始治疗缺乏反应，表明耐药机制在治疗开始前就已存在。获得性耐药在治疗期间或治疗后发展，意味着最初有治疗反应，随后出现耐药性。这种治疗逃逸严重损害了完全缓解的实现。 肿瘤细胞具有显著的表型可塑性，使其能够在免疫监视和抗癌治疗下通过持续适应而生存。在表型转换过程中，某些肿瘤细胞经历达尔文被动选择和富集，确保适者生存，而其他细胞则主动响应多样化的内部和外部刺激。在肿瘤异质性和药物选择的联合压力下，少数肿瘤细胞分裂并形成不同的亚群。这些耐药亚克隆通常表现出休眠和干细胞样特性，增殖缓慢，并最终导致持续性耐药，引发疾病进展。在某些情况下，它们可能在治疗停止后重新获得药物敏感性。 除了这些一般类别外，肿瘤特异性耐药机制带来了独特的挑战。例如，分子异质性常常驱动耐药。在非小细胞肺癌中，表皮生长因子受体是一个公认的治疗靶点。尽管突变率高达30%，并且已为该患者群体开发了三代EGFR酪氨酸激酶抑制剂，但耐药性不可避免地出现。第一代EGFR-TKIs如吉非替尼和第二代药物如阿法替尼对携带L858R突变的患者有效。然而，T790M突变出现在相当大比例的患者中，导致他们在治疗9-14个月内产生获得性耐药。以奥希替尼为代表的第三代EGFR-TKIs对T790M阳性肿瘤显示出更好的疗效，但驱动了C797S突变的出现。因此，耐药性可以通过EGFR依赖和EGFR非依赖途径产生。 微环境特征在耐药中也起着关键作用。在胰腺导管腺癌中，无细胞基质可占肿瘤体积的90%，表现出广泛的纤维化。过多的细胞外基质沉积提高了间质流体压力，损害血管化，并且在由活化的癌症相关成纤维细胞驱动时，形成了药物递送的物理屏障。这些特征显著限制了像吉西他滨这类药物的渗透，并与不良预后相关。在胶质母细胞瘤中，血管异常可能破坏血脑屏障并增加通透性；然而，这种破坏是不均匀的，许多区域仍保持完整的血脑屏障。此外，外排泵的过表达进一步降低了药物浓度，导致治疗效果减弱。 与实体瘤不同，血液恶性肿瘤不受物理屏障或致密ECM的阻碍，但依赖于特殊机制，如干细胞休眠和骨髓生态位动态。在慢性髓性白血病中，BCR-ABL融合蛋白是伊马替尼TKI治疗的经典靶点。然而，SH3和SH2激酶结构域的突变、通过T315I突变对P-loop的改变以及单个氨基酸替换都可能显著损害TKI疗效。在起源于浆细胞的多发性骨髓瘤中，骨髓微环境起着核心作用。免疫细胞和MM细胞之间通过直接接触和可溶性介质的相互作用，激活多个信号通路，增强肿瘤存活，降低药物敏感性，并促进耐药性。 解决肿瘤的空间异质性、微环境重塑障碍和肿瘤类型特异性耐药机制，对于建立对药物耐药的多维理解和推进治疗策略至关重要。 2.3 靶向治疗、免疫治疗和抗体药物偶联物中的耐药性 靶向治疗目前是多种恶性肿瘤的主要综合治疗方法之一。迄今为止，已在多个信号通路中鉴定出众多分子靶点并应用于临床实践，但药物耐药性仍然是一个不可避免的障碍。广义上，靶向治疗耐药的演变涉及靶点依赖和靶点非依赖机制。前者主要包括靶点修饰（突变、扩增、融合）和旁路激活（代偿性信号通路上调），而后者包括表型转换（谱系可塑性）和微环境保护（物理屏障、免疫抑制）等。 例如，靶向HER2的曲妥珠单抗的疗效不仅受p95-HER2亚型表达水平的影响，还受磷脂酰肌醇3-激酶突变的影响。PI3K催化亚基α的改变或PTEN的缺失可以过度激活PI3K-AKT通路，从而促进抗HER2治疗的耐药性。由于细胞内信号和调控网络的复杂性，抑制单个靶点常常触发反馈回路，建立新的代偿通路，从而促进耐药性。例如，用于非小细胞肺癌和胃癌的MET抑制剂卡马替尼可以诱导EGFR通路的激活，导致耐药性。 免疫抑制也可能影响靶向治疗效果。在奥希替尼耐药的肿瘤中，巨噬细胞浸润增加、M2极化增强、T细胞浸润减少和活化减弱共同创造了一个免疫抑制微环境，损害了治疗效果。因此，靶向治疗的耐药性反映了一个涉及分子改变、信号通路重编程和肿瘤微环境调节的多方面过程，强调了解读其潜在逻辑需要综合视角。 免疫治疗同样表现出原发性和继发性耐药。原发性耐药经常发生在所谓的“冷肿瘤”中，其特征是低抗原性、极少或没有T细胞浸润以及免疫抑制微环境，导致反应性差。例如，前列腺癌被认为是“免疫沙漠”，T细胞浸润低，免疫原性弱，严重限制了免疫检查点抑制剂的疗效。即使是“热肿瘤”也并非总是有反应。例如，在肾细胞癌中，尽管免疫治疗是一线选择，但免疫耗竭和“冷”亚型仍然存在，对免疫检查点阻断不敏感，但可能对靶向药物有反应。 肿瘤异质性，包括肿瘤间和肿瘤内异质性，显著影响免疫治疗结果。即使在初始应答者中，超过60%的非小细胞肺癌患者和30%的转移性黑色素瘤患者最终会产生耐药病灶，导致复发。从机制上讲，无论是原发性还是继发性耐药，最终都汇聚于T细胞功能障碍和免疫抑制细胞的积累，免疫检查点抑制剂未能触发有效的免疫反应。因此，当前研究聚焦于恢复效应细胞功能和克服免疫逃逸，包括开发基于生物标志物的分子分类系统以指导患者分层和精准治疗，从而减轻耐药发展。此外，摆脱传统的病理分类概念，基于分子标志物建立肿瘤分子分类特征，将有助于患者分层，从而建立更有针对性的精准治疗模式，这将有助于减轻免疫治疗耐药的发展。 ADC结合了靶向递送和强效的细胞毒性载荷，提供了高效力和降低的全身毒性。然而，对ADC的耐药性已成为其临床获益的重大障碍。靶点抗原依赖性耐药，其特征是抗原表达降低，很常见。例如，高HER2表达与乳腺癌ADC的更好反应相关，而表达降低或异质性则对结果产生不利影响。内吞和溶酶体处理过程的缺陷也有贡献。ADC需要内化和溶酶体降解以释放其细胞毒性载荷。内吞蛋白A2表达受损会减少乳腺癌中HER2的内化，降低对T-DM1的反应。在耐药细胞系中观察到异常 Caveolin-1 介导的内吞作用，降低了摄取效率。非可裂解ADC转运到细胞中后在溶酶体的酸性环境和活性溶酶体酶下降解。然而，在T-DM1耐药的肿瘤细胞系中，不仅观察到溶酶体碱化和溶酶体蛋白酶活性受损，还检测到异常的V-ATPase（一种调节溶酶体酸化的质子泵）活性。 耐药性也可能源于载荷靶点的修饰或药物外排。例如，在对含有微管抑制剂单甲基澳瑞他汀E的ADC耐药的非霍奇金淋巴瘤中，多药耐药蛋白1上调介导了增强的药物外排。对戈沙妥珠单抗的耐药与拓扑异构酶-1突变（E418K和移码突变）以及一种新的肿瘤相关钙信号转导子2及其编码的蛋白滋养层细胞表面抗原-2 T256R错义突变有关，这两者都损害了药物活性。总的来说，ADC耐药是一个多因素过程，涉及药物靶向、内化、处理和载荷作用的每个阶段的改变，需要对机制有全面的理解以开发下一代ADC策略。 3 药物耐药性的分子机制基础 癌症中的药物耐药是一个动态的、多因素的适应性过程，由宿主遗传背景、肿瘤细胞内在可塑性、免疫系统动力学和肿瘤微环境之间复杂的相互作用驱动。随着治疗模式从常规化疗演变为靶向治疗、免疫治疗和联合方案，耐药机制的谱系变得越来越多样化和复杂化。跨越癌症类型，肿瘤遗传和表型异质性、克隆进化和治疗压力共同塑造了耐药性的时空动态，构成了持续的临床挑战。 本节系统地概述了药物耐药性的核心分子机制，包括遗传改变、表观遗传和转录重编程、蛋白质组学和翻译后适应以及TME介导的耐药。通过总结经典机制和近期研究进展，我们旨在加深对不同癌症类型和治疗模式中耐药性多样性的理解，从而为预测和干预策略提供信息。 3.1 遗传机制 遗传改变是药物耐药性最早和最基本的驱动因素之一。通过修改药物靶点结构、激活替代信号通路或增强细胞存活和修复能力，这些改变在治疗压力下赋予肿瘤细胞选择性优势。常见的遗传变化包括获得性驱动突变、基因扩增、融合和缺失，所有这些都与多种肿瘤类型和治疗模式中的耐药性有关。 在化疗中，遗传改变可以通过多种机制损害药物疗效。TP53突变尤其普遍，减少了对DNA损伤的凋亡反应，并赋予了对化疗药物的广泛耐药性。MDR1的上调导致P-糖蛋白介导的药物外排，这是一个公认的多药耐药机制。耐药性也可能源于直接药物靶点的突变。例如，TOP1突变减少了响应喜树碱衍生物时TOP1-DNA切割复合物的形成，导致对拓扑异构酶I抑制剂的耐药性。在紫杉醇耐药细胞系中鉴定的β-微管蛋白基因突变降低了药物与微管的结合亲和力，降低了敏感性。 在靶向治疗中，耐药性通常源于药物靶点内的突变或旁路及下游信号通路的激活。空间位阻突变在药物结合界面引入体积更大的氨基酸，阻碍抑制剂接近。例如，BCR-ABL1 T315I看门突变阻断了伊马替尼的结合。改变亲和力的突变，如EGFR T790M突变增加了ATP结合，降低了第一代和第二代EGFR抑制剂的疗效。构象变化突变破坏了激酶的失活构象或稳定了其活性状态，维持了激酶激活。例如，ALK突变F1174L和L1196M稳定了ALK的活性构象，降低了对第一代ALK抑制剂如克唑替尼的敏感性。旁路信号激活，如PIK3CA突变或PTEN缺失激活PI3K/AKT，KRAS/NRAS/BRAF突变重新激活RAS/丝裂原活化蛋白激酶，或JAK2/STAT3激活，可以在靶点抑制的情况下恢复增殖。 免疫治疗耐药通常由抗原呈递和干扰素-γ信号传导中的遗传缺陷驱动。前者破坏了MHC-I复合物的稳定性，导致肿瘤细胞上MHC-I表达的丢失，并阻止了T细胞介导的识别和杀伤，B2M突变或缺失是一个关键例子，而JAK1/JAK2功能丧失突变损害了IFN-γ反应性，减少了PD-L1和MHC-I的诱导。其他改变包括ZNF689缺陷，它促进基因组不稳定性并损害抗原呈递，以及RAD21扩增，它与YAP/TEAD4协同抑制干扰素信号基因如STAT1和IRF9。 3.2 表观遗传和转录重编程  表观遗传调控和转录重编程是癌症中药物耐药性发展和调节的核心。表观遗传调控是指在不改变DNA序列的情况下发生的可遗传的基因表达变化，由DNA甲基化、组蛋白修饰、染色质重塑和非编码RNA等机制介导。这些过程塑造了染色质状态并决定了转录潜能。转录重编程描述了转录因子活性、染色质可及性和调控网络响应外部压力的动态调整，使肿瘤细胞能够建立支持适应和存活的基因表达程序。表观遗传改变提供了允许的染色质景观，促进了压力下这种转录可塑性。这些过程的失调可以沉默肿瘤抑制基因、重塑信号通路、改变免疫微环境并驱动代谢适应，最终破坏治疗效果。重要的是，表观遗传干预，如DNA甲基转移酶和组蛋白去乙酰化酶抑制剂，在部分逆转耐药性方面显示出前景。 DNA甲基化是一种经典的表观遗传机制，涉及在胞嘧啶残基上添加甲基，通常形成5-甲基胞嘧啶，从而改变染色质构象和转录活性。DNA甲基化导致药物耐药的机制在不同的治疗模式中各不相同。在化疗中，高甲基化介导的肿瘤抑制基因沉默和DNA损伤修复通路的调控是常见的。例如，MutL同源物1启动子高甲基化损害错配修复，降低对铂类诱导的DNA损伤的敏感性并促进化疗耐药。在靶向治疗中，DNA甲基化可以调节致癌信号、改变靶点表达或影响药物转运和代谢。在透明细胞肾细胞癌中，QPCT启动子低甲基化增强了NF-κB介导的转录，稳定了HRAS，并激活了ERK通路，促进了舒尼替尼耐药。在免疫治疗中，DNA甲基化可以抑制抗原呈递、抑制T细胞趋化因子并诱导免疫逃逸。例如，在肝细胞癌中，Riplet启动子高甲基化增加了脂肪酸合酶稳定性，增强了棕榈酸依赖性STAT3激活，并诱导CD8⁺ T细胞耗竭，降低了PD-1阻断疗效。 组蛋白修饰通过共价修饰组蛋白尾部来改变染色质可及性，从而调节基因表达。关键修饰包括乙酰化、甲基化、磷酸化和泛素化。例如，由SUV39H1催化的组蛋白H3赖氨酸9三甲基化促进了前列腺癌中雄激素受体变异体7启动子处的异染色质形成，维持了AR-V7表达并赋予了对恩杂鲁胺的耐药性。最近鉴定的修饰如乳酸化、琥珀酰化、瓜氨酸化和巴豆酰化也影响转录和耐药性。在结直肠癌中，缺氧诱导的乳酸积累增加了H3K18乳酸化，上调了RUBCNL并激活了自噬，从而介导了贝伐珠单抗耐药。在胶质母细胞瘤中，赖氨酸分解代谢增加了巴豆酰辅酶A和组蛋白H4巴豆酰化，抑制了干扰素信号并实现了免疫治疗耐药。此外，组蛋白修饰通路的改变也代表了肿瘤进展中的关键遗传事件。例如，赖氨酸去甲基化酶6A的突变在尿路上皮癌中发挥性别双重效应：在男性中增强免疫治疗反应，但在女性中促进血管生成和不良结局，揭示了肿瘤免疫治疗反应性别差异的机制。 染色质重塑，即ATP依赖的核小体重新定位，调节转录因子接近和基因表达。在EGFR突变非小细胞肺癌中，SWI/SNF复合物在氧化应激反应基因座维持可及性，支持NRF2通路激活和奥希替尼耐药。AP-1转录因子，特别是FOSL1和JUN，与染色质重塑合作驱动耐药特异性转录程序。染色质重塑基因如ARID1A突变的存在，加上高CD8+ T细胞浸润，与接受辅助化疗和免疫治疗的尿路上皮癌患者改善的预后相关。这些发现强调了染色质重塑如何不仅通过单个基因调控，而且通过协调全局的、适应性强的转录网络来促进耐药性。 非编码RNA，包括微RNA、长链非编码RNA和环状RNA，通过影响染色质结构、mRNA稳定性、翻译和信号通路来调节基因表达。在癌症治疗耐药的背景下，ncRNAs通过靶向关键信号通路、调节药物转运和代谢以及调节凋亡和免疫逃逸，在治疗应激下促进适应性存活，从而构成跨多种治疗模式的关键表观遗传机制。在乳腺癌中，miR-1275下调解除了对MDK的抑制，激活了PI3K/AKT，并增加了干性，促进了表柔比星耐药。在透明细胞肾细胞癌中，lncARSR作为miR-34和miR-449的竞争性内源RNA，上调了AXL和c-MET，并激活了下游AKT和STAT3信号，驱动了舒尼替尼耐药。在结直肠癌中，circPHLPP2通过ILF3增强了IL-36γ转录，抑制了自然杀伤细胞浸润和效应功能，促进了抗PD-1耐药。总的来说，这些例子突出了ncRNAs在驱动治疗耐药中的多样化作用。除此之外，其他类别的ncRNAs，如piRNA和tRNA衍生片段，也与药物耐药有关，指向一个日益复杂且仍在发展的调控网络。 RNA修饰是转录后基因调控的关键层面，已在各种RNA物种中鉴定出广泛的化学修饰。其中特征最明确的是N6-甲基腺苷、N1-甲基腺苷、5-甲基胞嘧啶、假尿苷和腺苷到肌苷编辑。这些修饰影响mRNA、tRNA、rRNA和lncRNA的剪接、稳定性、定位、翻译和降解，从而参与基本的细胞过程。在肿瘤进展的背景下，RNA修饰调节因子（包括写入器、擦除器和读取器）的失调已被广泛涉及。通过调节致癌信号通路、增强干性、促进免疫逃逸或实现代谢重编程，RNA修饰在维持肿瘤表型和促进治疗耐药中发挥核心作用。在各种RNA修饰中，m6A由于其明确的调控作用而经常被强调。甲基转移酶样3（一种m6A“写入器”）在乐伐替尼耐药的肝细胞癌中上调，增强了EGFR mRNA翻译并激活了ERK信号。METTL3还通过胰岛素样生长因子2 mRNA结合蛋白3促进了PD-L1 mRNA稳定性，从而削弱了T细胞介导的细胞毒性，并降低了乳腺癌中抗PD-L1治疗的疗效。同时，m6A“擦除器”也有助于药物耐药。m6A去甲基化酶ALKBH5在顺铂耐药的卵巢癌中上调，在那里它与转录因子同源框A10形成正反馈循环，并通过使JAK2 mRNA去甲基化，防止其被YTHDF2降解并激活JAK2/STAT3信号通路来促进耐药性。其他修饰如m1A和m7G，由tRNA甲基转移酶6/TRMT61A和METTL1/WDR4介导，也越来越与治疗耐药相关，进一步突出了RNA修饰在塑造药物反应中的多方面作用。 在治疗期间，药物诱导的选择压力可以触发转录重编程，重塑基因网络以维持耐药性。转录因子如c-MYC、FOXM1和HIF-1α促进干性、上皮-间质转化和免疫逃逸。例如，在化疗耐药的乳腺癌中，MYC与MCL1合作增强氧化磷酸化并维持癌症干细胞特性。增强子，特别是超级增强子，可以增加染色质可及性并招募转录共激活因子，从而放大耐药相关基因的转录，并促进肿瘤细胞在治疗压力下的适应。在PARP抑制剂耐药的卵巢癌中，增强的糖酵解诱导的乳酸积累促进了RAD23A启动子及其相关的超级增强子处的H4K12la组蛋白修饰，这促进了MYC招募并驱动了RAD23A过表达，最终增强了DNA修复能力并赋予尼拉帕利耐药。 3.3 翻译后适应与修饰 蛋白质的翻译后修饰深刻影响其稳定性、定位和活性，从而调节基本的细胞过程并导致癌症中的药物耐药性。 泛素化和去泛素化的动态调控是化疗、靶向治疗和免疫治疗耐药的核心机制，通过精确调控肿瘤细胞中的关键蛋白质。这些过程的改变可以稳定药物转运蛋白如MDR1和BCRP或DNA损伤修复蛋白，增强药物外排，促进DNA修复并促进细胞存活。靶蛋白稳定性的调节也影响靶向治疗和免疫治疗的敏感性。例如，USP28增强了SOX9稳定性和DNA损伤修复，介导了对PARP抑制剂的耐药性。抑制USP8增加了PD-L1和MHC-I表达，从而改善了对PD-1/PD-L1阻断的反应性。 磷酸化，通常由激酶活性调节，调节下游信号级联并有助于耐药。在肾细胞癌中，ERK2和TOPK之间的相互激活以磷酸化依赖性方式促进了索拉非尼耐药。磷酸化也可以与泛素化相互作用以调节蛋白质稳定性。例如，在前列腺癌中，PTEN在K144和K197处的甲硫氨酸1连接泛素化抑制了其磷酸酶活性，加速了肿瘤进展并降低了对恩杂鲁胺的敏感性。此外，NDR1磷酸化E3连接酶FBXO11，增强了β-连环蛋白泛素化，促进其降解并抑制核转位，从而抑制转移。 乙酰化，特别是赖氨酸乙酰化，是耐药中的另一个关键PTM。一方面，组蛋白乙酰转移酶如CBP和p300可以上调耐药相关基因，促进肿瘤进展和药物耐药。另一方面，组蛋白去乙酰化酶可以诱导抵消治疗的染色质重塑和表观遗传变化。在肾细胞癌中，HDAC1介导的p53去乙酰化促进了脂质积累和索拉非尼耐药。因此，靶向乙酰化，特别是通过HDAC抑制剂，是一个有前景的策略。 新兴的PTM如乳酸化和SUMO化受到了关注。乳酸化由乳酸催化，修饰组蛋白和非组蛋白上的赖氨酸残基，调节耐药通路。例如，H3赖氨酸18乳酸化介导了膀胱癌中的顺铂耐药，而H3K9la在LUC7L2启动子中积累，促进了其转录表达和胶质母细胞瘤中的替莫唑胺耐药。非组蛋白如XRCC1在赖氨酸247位点发生乳酸化，这增强了向细胞核的运输并加强了DNA修复能力，从而介导胶质母细胞瘤对治疗的耐药性。SUMO化，即小泛素样修饰物与蛋白质的共价连接，可以调节它们的功能、定位和稳定性。SUMO蛋白E2酶UBC9的上调与乳腺癌和肝癌中增加的耐药性相关，并且靶向UBC9可以逆转耐药性。Ku80的SUMO2/3修饰在K307位点抑制了结直肠癌中奥沙利铂诱导的凋亡。 重要的是，PTM通路常常相互作用而不是独立运作。例如，SUMO化可以与磷酸化、乙酰化和泛素化相互作用以调节药物敏感性。这种相互作用突显了PTM网络在耐药中的复杂性以及制定干预措施时整合策略的必要性。 3.4 肿瘤微环境介导的耐药 TME通过提供物理屏障、生化保护和动态生态系统，在介导药物耐药中发挥关键作用，使肿瘤细胞能够逃避免疫清除、适应治疗压力并激活存活通路。 免疫细胞作为TME的主要组成部分，包括抗肿瘤和免疫抑制群体。肿瘤相关巨噬细胞可以通过分泌细胞因子如TGF-β、释放外泌体以及上调PD-L1表达来抑制T细胞活性，从而介导对免疫检查点抑制剂的耐药性。其他免疫抑制细胞，包括髓源性抑制细胞、肿瘤相关中性粒细胞、调节性T细胞和肿瘤相关树突状细胞，也有助于免疫逃逸和肿瘤进展。肿瘤相关成纤维细胞产生致密的ECM成分，如胶原蛋白、纤连蛋白和透明质酸，同时分泌促存活因子如肝细胞生长因子。这些行为不仅创造了阻碍药物渗透的物理和生化屏障，还直接促进肿瘤存活并抑制T细胞和NK细胞活性。此外，CAFs可以直接抑制T细胞和NK细胞的浸润和活性，并通过诱导Tregs和TAMs来塑造抑制性免疫微环境。 肿瘤血管系统也有助于耐药。新形成的微血管在TME中常常是曲折和渗漏的，降低了药物递送效率并促进了缺氧。在这些条件下诱导的HIFs促进了对TKIs等靶向治疗的耐药性，并通过增加乳酸等代谢副产物的产生来抑制抗肿瘤免疫。缺氧还驱动了肿瘤和免疫细胞之间的营养竞争，特别是对葡萄糖的竞争，从而损害了T细胞和NK细胞的细胞毒性，并将TME推向免疫抑制状态。此外，缺氧介导的酸化降低了弱碱性化疗药物如阿霉素的疗效，而向碱性方向的pH调节可以减轻耐药性。血管系统内的内皮细胞可以感知氧化应激并分泌细胞因子如FGF2和CXCL12，通过上调PD-L1、招募MDSCs和抑制T细胞功能直接诱导耐药性并促进免疫逃逸。 ECM通过提供机械支持、调节微环境并作为信号分子的来源，在肿瘤发生和进展中扮演多重关键角色。ECM-整合素相互作用，特别是涉及β1-整合素、αvβ3和αvβ5的相互作用，促进了癌症干细胞表型并激活了存活通路如PI3K/AKT和黏着斑激酶，赋予药物耐药性。ECM成分如TGF-β和I型胶原增强了CSC标志物表达，强化了干性，而透明质酸通过Twist和TGFβ-Snail依赖性信号支持CSC维持。ECM刚度也影响治疗反应。刚度增加增强了YAP/TAZ活性，促进了乳腺癌和黑色素瘤中对靶向药物的耐药性。刚度相关的耐药可能涉及增强的DNA修复。例如，MAP4K4/6/7介导的泛素磷酸化在靠近僵硬ECM的肿瘤细胞中减少，增强了双链断裂修复并降低了药物敏感性。此外，致密的ECM沉积形成了阻碍免疫细胞浸润的物理屏障，而胶原纤维可以直接损伤T细胞并损害细胞毒性功能。ECM介导的YAP/TAZ核转位也可以上调肿瘤细胞中的PD-L1表达，进一步抑制免疫反应。 4 克服或预防耐药性的新兴策略 肿瘤药物耐药性仍然是现代肿瘤学中的一个艰巨挑战，常被比作悬在当前治疗范式之上的“达摩克利斯之剑”。基于对潜在机制的深入理解，下一步是开发能够克服耐药性并恢复抗肿瘤疗效的策略。当代研究从分子、细胞和肿瘤生态系统角度解决这个问题，最终目标是实现真正精准的癌症治疗。 4.1 直接靶向耐药机制 最直接的策略之一是设计特定的抑制剂来靶向已知的耐药突变及其相关信号通路。这种方法依赖于耐药机制的精确分子表征。例如，已经开发了第四代EGFR-TKIs来解决T790M突变（该突变赋予对第一代和第二代EGFR-TKIs的耐药性）以及C797S突变（该突变在使用第三代药物如奥希替尼后出现）。这些新型抑制剂不仅保留了对L858R等敏感突变的活性，还抑制了EGFR+/T790M和EGFR+/T790M/C797S变体，从而克服了耐药性。在慢性淋巴细胞白血病中，共价布鲁顿酪氨酸激酶抑制剂通过与BTK蛋白的半胱氨酸残基481结合发挥其活性。当该残基突变时，共价抑制剂失去结合能力和效力。在这种情况下，非共价BTK抑制剂如Pirtobrutinib可以独立于BTK突变状态起作用，在对伊布替尼耐药的患者中显示出临床活性。 直接靶向耐药机制策略的核心在于开发高选择性的靶向药物，以解决耐药的直接分子原因。因此，通过将耐药机制从治疗终点转变为药物设计的起点，该策略标志着从被动适应到主动消除的转变，使得能够更精确地靶向肿瘤进化逃逸路线。 4.2 利用耐药细胞的脆弱性 药物耐药是进化选择的结果。虽然耐药细胞通过激活代偿通路或经历表型变化而存活，但这些适应可能创造新的依赖性，可以被治疗性地利用。这一概念与合成致死性一致，靶向脆弱性如DNA修复、代谢重编程或谱系可塑性，从而将癌细胞的适应性特征转化为致命弱点。 在铂类耐药的卵巢癌中，耐药获得伴随着ATR-CHK1活性增加。当PARP抑制剂耐药细胞用PARPi和ATR抑制剂的组合治疗时，通过协同复制叉停滞、增加双链断裂和凋亡恢复了敏感性。在KRAS G12C突变的肺癌和结直肠癌中，将KRAS G12C抑制剂阿达格拉西布与SOS1抑制剂或SHP2抑制剂联合使用破坏了MRAS驱动的RTK反馈激活，增强了抗肿瘤疗效并延迟了耐药发生。 代谢靶向是另一种方法。在伊布替尼耐药的套细胞淋巴瘤中，谷氨酰胺合成酶过表达与谷氨酰胺依赖性和代谢水平相关。用Telaglenastat抑制GLS与伊布替尼联合显示出协同活性。在难治性黑色素瘤中，同时抑制抗凋亡蛋白MCL1和BCLXL比单药抑制实现了更大的肿瘤抑制。 因此，靶向耐药细胞的脆弱性将癌症治疗从简单地阻断信号通路转向应用进化原理，旨在通过利用耐药诱导的弱点来实现长期疾病控制。 4.3 调节肿瘤生态系统 药物耐药很少是一个孤立的细胞事件。它是由肿瘤更广泛的生态位塑造的，包括基质的物理屏障、免疫抑制细胞浸润和代谢环境。靶向这个生态系统旨在拆除耐药克隆的保护性生态位。 降解肿瘤基质和正常化血管可以增强药物递送。HA是细胞外基质的主要成分之一。通过调节肿瘤间质的凝胶流体压力，它可以减少抗癌药物的递送。在PDAC中，用聚乙二醇化重组人透明质酸酶预处理降低了HA水平，降低了间质流体压力，并改善了紫杉醇的分布，从而增强了疗效。新型抗血管生成药物如Vanucizumab同时抑制VEGF-A和Ang-2，从而显著减少异常的肿瘤血管生成。更重要的是，这种治疗方法提供了一个短暂的血管正常化窗口，显著增强了放疗和化疗的疗效。 重编程免疫微环境也很有前景。巨噬细胞，特别是M2巨噬细胞，在肿瘤微环境中具有独特的抑制作用，CSF-1受体在单核细胞招募和分化为促肿瘤M2巨噬细胞及其存活中起着至关重要的作用。另一方面，抑制CSF-1R促进了CD3+CD8+ T细胞在肿瘤微环境中的浸润和激活，抑制了肿瘤免疫逃逸，并增强了PD-1/PD-L1抑制剂的抗肿瘤活性，从而克服了对PD-1/PD-L1轴阻断的耐药性。增强抗原呈递过程具有类似的免疫治疗增敏效果。研究发现，乳腺组织中较高水平的抗原呈递肥大细胞与增强的抗PD-1治疗疗效相关，而抗过敏药物色甘酸钠可以激活apMC介导的T细胞免疫并增强肿瘤对抗PD-1治疗的敏感性，为克服抗PD-1耐药提供了新的治疗策略。 先进的药物递送系统可以克服物理屏障。为受体介导的摄取、转运蛋白利用或亲脂性跨细胞通道设计的纳米载体可以穿过胶质母细胞瘤中的血脑屏障，实现调节代谢、诱导铁死亡或调节免疫的药物的多功能递送。靶向TME的光响应纳米平台可以在PDAC中诱导活性氧产生，实现多模态成像并触发免疫原性细胞死亡。吉西他滨和MnFe₂O₄的共同递送表现出化疗和诱导铁死亡的双重效应，这种协同效应显著增强了治疗敏感性。这些方法都为改善PDAC药物耐药性和增强治疗敏感性开辟了新途径。 4.4 精准医学与适应性治疗方法 实现肿瘤药物耐药精准治疗的关键在于早期和动态识别药物耐药的演变。因此，建立早期耐药预警模型是实现耐药监测的重要手段。研究在胶质瘤患者的血浆中检测到错配修复基因MSH2和MSH6的突变。这些突变不仅是替莫唑胺治疗后最常见的循环遗传改变，而且比复发更早被检测到，从而通过循环肿瘤DNA实现了早期耐药预警的目标。类似地，在结直肠癌中，ctDNA已被用于早期识别肿瘤耐药性、监测治疗反应和复发预警。一些最新技术也被用于耐药监测。例如，单细胞转录组学和空间转录组学技术不仅可以识别耐药的肿瘤细胞亚群，还可以以单细胞分辨率绘制肿瘤进化图谱。这不仅加深了我们对耐药机制的理解，也为发现新的干预靶点提供了更有效的途径。 在此基础上，通过人工智能技术深度整合表观基因组学、基因组学、转录组学、蛋白质组学、代谢组学和药物基因组学等多组学数据建立的大模型，不仅可以进一步探索肿瘤耐药的底层逻辑，还可以实现肿瘤耐药的早期预测。更重要的是，通过对具有不同基因表达特征的肿瘤进行分类和分层，它可以有力地支持临床决策，并显著增强肿瘤治疗的精准性。 此外，一些超越传统标准疗法的适应性治疗模式为提高肿瘤治疗敏感性做出了重要贡献。例如，在具有PTEN缺失的前列腺癌中，研究发现间歇性给予PI3K抑制剂与每日给药相比，能更有效地激活CD8+ T细胞依赖的抗肿瘤免疫反应，促进对抗PD-1治疗的持续反应。基于循环肿瘤细胞中雄激素受体基因和AR-V7的动态变化，研究人员建立了一种预测转移性去势抵抗性前列腺癌对化疗和内分泌治疗敏感性的方法。在多西他赛治疗mCRPC后，液体活检AR和AR-V7状态阴性的患者从恩杂鲁胺联合治疗中获益，而状态阳性的患者则没有。 这些措施有效地支持了肿瘤耐药监测、预测和干预的全过程，从而促进了耐药控制从经验性治疗向数据驱动的精准治疗的范式转变。 4.5 创新治疗方法 4.5.1 微生物组调节 人类微生物组，特别是肠道微生物群，已成为肿瘤学治疗反应的关键调节因子。临床证据越来越多地表明，微生物失调通过三种相互关联的机制导致多种肿瘤类型的原发性和获得性耐药：通过代谢物介导的T细胞极化的免疫调节、改变化疗药物生物利用度的酶促药物代谢，以及促进促肿瘤炎症的屏障破坏。 通过诸如粪便微生物群移植、精准益生菌和噬菌体靶向去定植等方法调节微生物组，代表了一种范式转换的策略，用于使难治性恶性肿瘤重新敏感。本节综合了微生物组工程在克服耐药性方面的最新进展，重点介绍了在精准肿瘤学中具有转化潜力的生物标志物和干预框架。 抗生素治疗已被证明会削弱癌症患者中PD-1阻断的疗效，尽管其潜在机制仍未完全了解。研究表明，抗生素诱导的回肠中黏膜地址素细胞黏附分子-1下调促进了肠杆菌科对肠道的重新定植。这反过来将肠道趋向性α4β7⁺CD4⁺调节性T17细胞重编程向肿瘤播散。此外，在肺癌、肾癌和膀胱癌的独立队列中，低血清水平的可溶性MAdCAM-1与不良预后相关，表明MAdCAM-1–α4β7轴可能是癌症免疫监视中一个可靶向的肠道免疫检查点。研究人员开发了一个体内模型，其中C57BL/6J小鼠在I型干扰素调控下口服补充细菌代谢物脱氨基酪氨酸。DAT延迟了肿瘤生长并增强了抗CTLA-4或抗PD-1免疫检查点抑制剂的效果，这些效果依赖于宿主IFN-I信号传导。口服DAT补充改变了肠道微生物群组成，增加了与免疫治疗良好反应相关的细菌分类群。 对中药的研究也提供了见解。研究人员调查了人参多糖与抗PD-1单克隆抗体联合是否可以通过调节肠道微生物群来增强治疗效果。他们发现该组合上调了微生物代谢物戊酸，下调了L-色氨酸，并降低了犬尿素/色氨酸比率，从而减少了调节性T细胞丰度并增加了效应T细胞活性。这表明GPs联合抗PD-1可能改善非小细胞肺癌的免疫治疗敏感性。 研究人员检查了尿石素A（一种由肠道微生物群产生的代谢物）在多发性骨髓瘤中的作用。对45名患者的回顾性队列分析显示，UroA在体外与硼替佐米协同作用，表明其作为克服MM耐药的辅助疗法的潜力。研究人员调查了亚麻籽木脂素对乳腺癌生物学行为的抑制作用，并评估了FL在增强PD-1/PD-L1抑制剂抗癌功效中的作用。在FL被肠道微生物群转化为肠内酯后，FL给药抑制了BC进展。ENL通过下调CD38来抑制恶性BC行为。因此，FL通过调节肠道微生物群和宿主免疫力来增强PDi的抗癌功效。 在之前的研究之前，肠道微生物群在调节胃癌对奥沙利铂敏感性中的潜在作用仍未得到研究。抗生素治疗降低了GC小鼠模型中奥沙利铂的治疗效果，这种效果可通过粪便微生物群移植转移到无菌小鼠，表明肠道微生物组参与了奥沙利铂反应。进一步的代谢组学数据显示，代谢活跃的Akkermansia muciniphila增强了奥沙利铂的疗效。研究人员证明，A. muciniphila衍生的苯乙胺作为一种糖酵解抑制剂，通过直接对抗FUBP1活性来增强胃癌细胞对奥沙利铂的反应。 目前的研究报告了关于肠道微生物组作为ICIs反应生物标志物的不一致发现。通过对十个独立的ICIs治疗队列进行荟萃分析，研究人员将TANB77鉴定为在应答者中表现出最高富集度的菌株。具有较高肠道TANB77丰度的小鼠模型显示出改善的抗PD-1治疗反应。此外，给予腹腔注射TANB77衍生蛋白的小鼠表现出增强的抗PD-1反应，为pirin样蛋白的治疗益处提供了体内证据。这些发现表明，来自TANB77进化枝的pirins可能在不同癌症患者群体中增强ICIs反应。 4.5.2 早期试验中的PROTACs PROTAC（蛋白水解靶向嵌合体）是一种新的生物医学技术，用于选择性和靶向性蛋白质降解。它通过利用细胞天然的泛素-蛋白酶体途径工作。PROTAC分子有三个部分：一个识别并结合靶蛋白的靶向配体；一个连接各部分连接子；以及一个招募E3泛素连接酶的E3泛素连接酶配体。当PROTAC分子结合靶蛋白时，E3泛素连接酶被拉近，导致靶蛋白被泛素化标记，然后被蛋白酶体降解。这项技术具有强靶向性、高效率以及降解传统上不可成药靶点的能力等优势。它在治疗肿瘤、神经退行性疾病和其他疾病以及基础生物学研究中显示出巨大潜力。 受体相互作用丝氨酸/苏氨酸蛋白激酶1作为协调细胞存活、炎症和免疫原性细胞死亡的关键应激哨兵。虽然RIPK1的催化活性对于触发细胞死亡至关重要，但其非催化支架功能介导了强效的促存活信号。研究人员合成了一种PROTAC，可特异性降解人和小鼠的RIPK1。PROTAC介导的RIPK1耗竭破坏了TNFR1和Toll样受体3/4信号枢纽，增强了NF-κB、MAPK和IFN信号输出。这增强了ICD，增强了抗肿瘤免疫力，并引发了持续的治疗反应。因此，通过PROTAC技术靶向RIPK1成为克服放疗或免疫治疗耐药并增强抗癌疗法的一种有前景的策略。 靶向蛋白质降解通过小分子重定向E3连接酶来泛素化新的底物，标记它们用于蛋白酶体破坏，从而调节蛋白质水平。TPD最近已成为药物发现中的关键策略。研究人员设计了一种有效的DCAF1-BRD9 PROTAC，为解决对VHL-based降解剂的内在耐药性提供了替代方法。这突出了DCAF1-PROTACs作为克服临床环境中连接酶介导的耐药性的一种有前景策略的潜力。 药理学研究导致了Vepdegestrant（ARV-471）的发现，这是一种选择性、口服可用且强效的雌激素受体降解剂，它是一种基于PROTAC的小分子。研究人员使用生化和细胞内靶点结合实验来阐明其作用机制。他们还使用ER+临床前乳腺癌模型，包括那些具有野生型和突变ESR1的模型，确认ER降解可以抑制肿瘤生长，表明vepdegestrant可能是ER+/HER2-乳腺癌患者更有效的雌激素治疗基础。RIPK具有支架功能，导致对ICIs的耐药性，并成为增强癌症免疫治疗的一个有前景的靶点。为了解决RIPK1中间结构域中模糊结合口袋的挑战，研究人员使用PROTAC技术开发了RIPK1降解剂LD4172。据研究报道，RIPK1降解剂LD4172既可以作为研究RIPK1支架功能的化学探针，也可以作为增加肿瘤对ICIs治疗反应的潜在治疗剂。 三阴性乳腺癌是最具侵袭性的乳腺癌亚型，以高度异质性和侵袭性为标志，治疗选择有限。研究人员使用PROTAC技术开发了体外和体内潜在的蛋白质精氨酸甲基转移酶5降解剂。YZ-836P，一种有前景的化合物，在48小时后对TNBC细胞显示出细胞毒性，降低了PRMT5和KLF5蛋白水平。这些发现使YZ-836P成为推进TNBC治疗的强有力候选者。 化疗药物的化学治疗调节能力对于解决结直肠癌中低免疫原性、免疫抑制乳酸微环境和适应性免疫耐药具有前景。研究人员开发了包含多柔比星和dBET57的自组装、自递送纳米PROTACs，由DSPE-PEG2000稳定和促进。DdLD NPs增强了DOX和dBET57的稳定性、细胞递送和肿瘤靶向性。它们有效杀死结直肠癌细胞并诱导ICD。这些自递送纳米PROTACs可能为化学增强的肿瘤免疫治疗铺平道路。 骨肉瘤是最常见的恶性骨肿瘤，c-MET是一个公认的治疗靶点。然而，传统的c-MET抑制剂受到获得性耐药和副作用的限制。c-MET靶向PROTACs通过克服耐药性提供更好的抗肿瘤效果，但由于缺乏肿瘤靶向能力，其安全性仍然是一个问题。研究人员生成了四种AS1411-SL1嵌合体，并在体外和体内评估了它们的治疗效果。这些AS1411-SL1嵌合体很可能成为骨肉瘤靶向治疗中有前景的c-MET降解剂。 在非小细胞肺癌中，EGFR是一个关键靶点，因为60%的病例表达它。然而，对EGFR抑制剂的耐药性以及对TKI敏感和突变NSCLC患者的策略限制仍然令人担忧。研究人员开发了一种用于肺癌的纳米脂质EGFR和BRD4降解剂PROTAC。使用精制水解，将疏水分子封装在EGFR靶向的纳米脂质载体中。在荷瘤小鼠中，静脉注射的T-BEPRO实现了77.6%的显著肿瘤生长抑制率，并具有持久的肿瘤抑制效果，超过了纯药物治疗。 4.5.3 人工智能驱动的临床决策支持 癌症药物耐药性的巨大挑战，以其跨肿瘤类型的极端复杂性、异质性和动态演变为特征，仍然是临床肿瘤学的关键瓶颈。预测耐药模式和优化后续治疗策略的传统方法往往难以利用现代肿瘤学实践中产生的 vast、多维数据集，包括临床记录、多组学图谱（基因组、转录组、蛋白质组）、医学影像（放射组学/病理组学）和实时监测数据。这一差距催化了基于AI的临床决策支持系统作为耐药性管理变革性前沿的迅速出现。通过利用复杂的机器学习和深度学习技术，包括自然语言处理和多模态数据融合，AI-CDSS平台正越来越多地被部署以解码复杂的耐药机制，以更高的准确性和及时性预测个体患者风险轨迹，并生成基于证据的、个性化的治疗建议。这个快速发展的领域正在从概念验证研究向切实的临床整合过渡，最终改善不同恶性肿瘤的患者结局。 基于机器学习的临床决策支持 ML算法无需显式编程即可直接从历史数据中学习模式和关系。在CDSS中，机器学习擅长通过识别具有不良事件、疾病复发或关键治疗耐药高风险的患者来进行预测建模。它进一步能够根据预测的结果或治疗反应对患者进行风险分层，并通过检测结构化数据中的细微关联来促进模式识别。 将ML应用于癌症特异性药物基因组数据集显示出识别预测反应生物标志物的显著前景，从而实现个性化治疗。研究人员引入了精准肿瘤学平台CAN-Scan，该平台利用ML技术分析来自患者来源的原代细胞系生物样本库标本产生的下一代药物遗传数据集。CAN-Scan发现了预后生物标志物和替代治疗策略，特别是对于对一线化疗无反应的患者。这种方法在改善生物标志物发现和指导个性化治疗方面显示出巨大潜力。 ICIs已经彻底改变了多种肿瘤类型的癌症治疗。然而，相当大比例接受CPI治疗的患者未能获益或仅经历短暂反应。研究人员开发了一种成纤维细胞衰老相关转录组特征，该特征与促进肿瘤进展和免疫失调的肿瘤促进信号通路高度相关。利用FSS，一个ML框架在预测ICI反应和生存结果方面表现出卓越的准确性，在验证、测试和内部队列中实现了优异的AUC值。最值得注意的是，FSS在预测稳健性方面 consistently 优于已建立的签名，涵盖了不同的癌症亚型。研究人员采用了一种基于机器学习的方法，利用去识别化的全国性Flatiron Health-Foundation Medicine临床基因组数据库，用于识别预测NSCLC对ICIs治疗临床反应的基因组标志物。在此基础上，他们发现了多个基因组标志物和通路，揭示了影响ICIs治疗反应的生物学机制，可能提高NSCLC患者对CPI治疗的反应率。研究人员对来自Dana-Farber癌症研究所治疗的、在ICI治疗期间出现获得性ICI耐药的NSCLC患者的匹配治疗前和治疗后肿瘤活检样本进行了全面的肿瘤基因组测序、基于ML的肿瘤浸润淋巴细胞评估、多色免疫荧光染色和/或HLA-I免疫组织化学分析。这种多模式分析揭示了NSCLC中ICI耐药的基因组和免疫表型异质性。为了探索ICIs耐药机制，研究人员开发了免疫治疗耐药细胞-细胞相互作用扫描仪，一个机器学习模型，旨在识别与ICIs耐药相关的细胞类型特异性肿瘤微环境配体-受体相互作用。他们提出了一个稳健的ICIs反应生物标志物，强调了下调与趋化性相关的配体-受体相互作用在抑制耐药肿瘤中淋巴细胞浸润中的关键作用。 鉴于许多患者未能获得持久获益，研究人员利用机器学习分析了来自四项III期随机试验的2803名UC患者的RNA测序数据、靶向DNA panel结果、免疫组织化学和数字病理学。这种方法识别了四种不同的转录组亚型，可预测对PD-L1抑制剂atezolizumab的反应。 新辅助化疗和免疫治疗旨在消除残留肿瘤细胞并降低复发风险。然而，新辅助治疗期间的药物耐药性构成了重大障碍。研究人员整合了先进技术，包括单细胞转录组学、全基因组测序、RNA测序、蛋白质组学、机器学习和体外/体内实验。通过分析跨癌症队列，他们利用单细胞测序研究新辅助化疗/免疫治疗疗效与RNA甲基化之间的关联。多组学分析结合机器学习算法识别了RNA甲基化调节因子的基因组变异、转录失调和预后相关性，揭示了指导新辅助治疗泛癌分层的不同分子亚型。 研究人员开发了一种基于机器学习的系统组合设计策略，以识别复发/难治性急性髓系白血病患者最有前景的药物组合。这种预测方法利用来自原代患者样本的单细胞转录组数据和单一疗法反应谱，以识别能够选择性抑制个体AML患者样本中治疗耐药癌细胞的靶向组合。此外，在使用临床试验样本的初步实验中，该方法预测了venetoclax-azacitidine联合疗法在AML患者中的临床疗效。总的来说，这种计算和实验相结合的方法为识别R/R AML患者的个性化组合疗法提供了合理途径，靶向治疗耐药的白血病细胞，从而增强了其临床转化的潜力。选择性剪接的失调越来越被认为是B细胞急性淋巴细胞白血病发病机制、疾病进展和治疗耐药的关键因素。研究人员开发了一个基于18个AS事件的预后模型，通过生物信息学方法和先进机器学习算法的复杂整合进行了 refinement。这些发现阐明了AS事件作为新型预后生物标志物和治疗靶点的作用，推进了B-ALL管理中的个性化治疗策略。研究人员描述了一种基于机器学习的方法scTherapy，它利用单细胞转录组谱来优先筛选血液系统恶性肿瘤或实体瘤患者的 multi-target 治疗方案。他们建立了一个广泛适用的策略，用于识别能够选择性和组合性抑制恶性细胞同时保留非癌细胞的个性化治疗方案，从而提高了临床成功的可能性。 乳腺癌患者可能最初从细胞毒性化疗中获益，但随后产生治疗耐药性和复发。化疗耐药的乳腺癌干细胞在癌症复发和转移中起着关键作用。利用机器学习策略，研究人员开发了一个基于mRNA的BCSC签名，以评估原代乳腺癌患者样本中的癌症干性。通过这个BCSC签名，他们揭示了多胺合成在调节化疗诱导的BCSC富集中的关键作用，并为乳腺癌治疗提出了新的治疗途径。 超过50%的难治性高级别浆液性癌患者保持同源重组熟练，使他们对铂类药物和PARP抑制剂耐药。研究人员通过整合大型公共数据集的机器学习分析和一种新的基于小鼠输卵管的基因工程HGSC类器官模型，对这种肿瘤类型进行了全面调查。这种方法最终确定了涉及常规化疗和mTOR抑制剂的联合治疗作为HGSC的潜在治疗策略，其中p62成为一个重要的生物标志物。 DNA损伤修复在HCC中起着关键作用，驱动肿瘤发生、进展和治疗反应。研究人员提出了一种创新的机器学习框架，用于精确评估DDR，利用scRNA-seq和bulk RNA测序数据。该模型揭示了原发性HCC微环境中DDR与NK细胞和B细胞之间的动态相互作用。通过塑造一个通过代谢重编程促进肿瘤生长的免疫抑制微环境，该框架最终被用于预测HCC患者的总生存期及其对PD-1治疗的耐药性。 诱导化疗作为晚期鼻咽癌一线治疗的疗效仍存争议，并且缺乏可靠的生物标志物来预测其反应。研究人员开发了一种基于AI的放射组学方法，通过基于发现队列的机器学习方法识别代谢生物标志物，并在模拟具有临床挑战性的真实世界场景的队列中进行验证。研究揭示了血浆脂蛋白失调可能驱动NPC患者中的IC耐药。从血浆代谢物谱构建的预测模型显示出强大的预测能力和真实世界的普适性。这些发现对治疗策略的发展具有重要意义，并可能为提高IC疗效提供潜在靶点。 利用机器学习的最新进展，研究人员调查了肿瘤突变对常见治疗药物反应的影响（赋予耐药性）。由此产生的预测模型整合了分布在多个分子复合物中的大量遗传改变。应用于顺铂治疗的宫颈癌患者，该模型揭示了RTK-JAK-STAT复合物在药物耐药中的调控作用，实现了对药物反应的定量和可解释评估。 基于深度学习的临床决策支持 DL是机器学习的一个强大子集，它使用多层人工神经网络。DL的关键优势在于其能够从原始的、高维的、非结构化的数据中自动学习分层表示和复杂特征。例如，在医学影像分析中，DL从计算机断层扫描、磁共振成像、正电子发射断层扫描扫描和组织病理学切片中提取超越人类感知的复杂模式，有助于肿瘤表征、治疗反应评估和药物耐药的早期检测。类似地，对于基因组/转录组数据解释，DL模拟高维组学数据内的复杂相互作用，以揭示耐药机制和生物标志物。 仅依赖单一模态数据通常无法全面捕捉患者之间的复杂异质性，包括抗HER2治疗耐药性的差异以及联合治疗方案疗效的差异，特别是在HER2阳性胃癌的管理中。研究人员收集了来自429名患者队列的多模态数据，包括放射学、病理学和临床信息。他们进一步引入了一个深度学习模型，称为多模态模式，该模型整合了这些多样化的数据流，以实现治疗反应的精确预测。该模型对总体反应预测的AUC得分为0.821，特别是对于预测联合免疫治疗反应的AUC达到了惊人的0.914。因此，这项研究强调了多模态数据分析在增强治疗评估和推进HER2阳性GC个性化医疗方面的关键重要性。迅速扩大的scRNA-seq数据池为药物筛选提供了大规模 bulk 基因表达数据库，通过研究癌症细胞亚群中药物反应的异质性，能够识别抗癌药物的最佳临床应用。研究人员提出了scDEAL，一个深度迁移学习框架，用于在单细胞水平预测癌症药物反应。scDEAL的一个关键创新是其整合了药物相关的 bulk RNA-seq 数据和 scRNA-seq 数据， coupled with 将在 bulk RNA-seq 数据上训练的模型迁移以预测 scRNA-seq 数据中的药物反应。scDEAL 促进了对细胞重编程、药物选择和药物再利用的研究，以改善治疗结果。 识别介导前列腺癌临床侵袭性表型的分子特征仍然是一个重大的生物学和临床挑战。研究人员开发了P-NET，一个生物学信息化的深度学习模型，以根据治疗耐药状态对前列腺癌患者进行分层，并通过模型的完全可解释性评估治疗耐药的分子驱动因素，从而实现治疗靶向。他们证明了P-NET可以利用分子数据预测癌症状态，优于其他建模方法。他们的工作证实了生物学信息化的、完全可解释的神经网络能够在前列腺癌中实现临床前发现和临床预测，并具有跨多种癌症类型的广泛适用性。研究人员应用深度强化学习来指导适应性药物剂量方案。他们证明，在与前列腺癌动态对齐的数学模型中，这些方案将疾病进展时间延长了两倍以上， compared to 当前适应性方案。这强调了DRL在新颖或复杂环境中制定治疗策略的能力。总的来说，DRL生成的个性化治疗方案在所有情景中都优于临床标准护理方案。 细胞周期蛋白依赖性激酶4和6抑制剂彻底改变了乳腺癌的治疗 landscape。然而，在不到50%的患者中实现了客观反应，并且几乎所有患者最终在治疗期间产生耐药性。研究人员构建了一个可解释的深度学习模型，基于癌症中多蛋白复合物的参考图谱，以预测对CDK4/6i药物帕博西尼的反应。这些预测适用于患者和PDX模型，这是单基因生物标志物无法实现的能力。这项研究能够全面评估肿瘤的遗传特征如何调节对CDK4/6i的耐药性。此外，曲妥珠单抗，一种靶向HER2的单克隆抗体，是转移性乳腺癌的有效疗法。然而，一部分患者对这种治疗产生耐药性，使得监测其治疗效果至关重要。研究人员描述了一种基于表面增强拉曼光谱免疫测定的深度学习辅助方法，用于监测小鼠尿液中HER2过表达的外泌体。通过使用SERS-深度学习分析来监测来自曲妥珠单抗治疗小鼠的尿液外泌体中的药物疗效，他们确认该监测系统能够对治疗耐药问题做出主动反应。 EGFR基因型对于肺癌的治疗决策至关重要；然而，其测试结果可能受到肿瘤异质性和活检程序的影响。重要的是，并非所有携带EGFR突变的患者在EGFR-TKIs治疗后都能获得有利结果，突出了对EGFR突变基因型进行分层的必要性。研究人员纳入了来自中国和美国九个队列的18232名肺癌患者，所有这些患者都接受了CT成像和EGFR基因测序。基于这个 comprehensive 数据集，他们开发了一个完全基于人工智能的系统，通过分析从CT图像衍生的全肺信息来预测EGFR基因型和EGFR-TKI治疗的预后。 阐明代谢重编程的分子机制，以开发分层指导治疗策略的个性化风险预后评估方法，对神经母细胞瘤具有重要的临床意义。研究人员采用基于机器学习的多步骤程序，在单细胞和代谢通量水平上阐明了代谢重编程驱动NB恶性进展的协同机制。随后，基于MPS分层的代谢重编程相关预后签名以及个性化治疗策略被开发出来，并使用临床前模型进行了独立验证。这项研究为NB中代谢重编程介导的恶性进展的分子机制提供了深刻的见解。它也为开发基于创新性精准风险预测方法学的靶向治疗提供了新的视角，这些方法学有望为NB治疗策略的进步做出重要贡献。 BCL2家族蛋白的失调在白血病的发生和进展中起着关键作用。因此，这些蛋白质的药理学抑制正日益成为一种常见的治疗方法。然而，由于原发性和获得性耐药的出现，其在临床或临床前研究中的疗效受到损害。研究人员开发了一个基于深度表格学习算法的药物敏感性预测模型，以评估T细胞急性淋巴细胞白血病患者样本中的Venetoclax敏感性。几种ICIs的反应生物标志物显示出前景，但尚未实现临床规模的应用。研究人员开发了一个 pipeline，整合了组织学标本的深度学习和临床数据，以预测晚期黑色素瘤患者的ICI反应。这个多变量分类器在Aperio AT2图像上实现了0.800的AUC，在Leica SCN400图像上实现了0.805的AUC。它准确地将患者分为高风险和低风险组，展示了其整合到临床实践中的潜力。 整合多种类型的生物数据对于全面理解癌症生物学至关重要；然而，由于数据的异质性、复杂性和稀疏性，这项任务仍然具有挑战性。研究人员提出了一个无监督深度学习模型，多组学合成增强模型，专门设计用于整合和增强癌症依赖性图谱。MOSA成功地揭示了对于细胞聚类和识别与药物和遗传依赖性相关的生物标志物至关重要的多组学特征。缺氧微环境通常对多种治疗模式具有耐药性，促使开发缺氧激活的前药以靶向这些耐药区域。HAP evofosfamide在肉瘤的临床前和早期临床试验中显示出前景。研究人员开发了一个DL模型，利用多参数MRI和注册的病理图像来识别缺氧区域，并监测横纹肌肉瘤PDX模型和同基因纤维肉瘤模型中TH-302的治疗反应。这项研究表明，对治疗前MRI图像的AI分析可以预测缺氧状态和随后对HAPs的反应。这种方法可用于监测治疗反应并调整治疗方案以防止耐药性的出现。研究人员利用一个涵盖不同癌症和组织类型的单细胞转录组图谱，揭示了恶性细胞、癌前细胞以及癌症相关基质和内皮细胞内的异质性表达模式。我们提出了一个名为 Shennong 的深度学习框架，用于体外筛选抗癌药物，旨在靶向转录组景观中的每个 distinct 细胞群体。这个稳健且可解释的框架有望加速药物发现过程，并提高药物筛选的准确性和效率。药理学数据的日益可用性和深度学习方法的快速发展使得构建预测和筛选药物组合的模型成为可能。为了解决大规模数据库中药物组合虚拟筛选的空白，研究人员提出了 ScaffComb 框架。受表型导向药物设计的启发，ScaffComb 将表型信息整合到分子支架中。该框架可用于筛选药物库并识别高效药物组合。蛋白激酶调节多样化的细胞功能，并作为癌症和其他疾病中小分子激酶抑制剂的靶点。然而，KI耐药已成为影响多种癌症、靶向激酶和药物的常见临床并发症。为了应对这一挑战，研究人员利用多模态特征和深度混合学习报告了一个升级的 web 服务器，Dr. Kinase，用于预测四个耐药热点位点并评估突变对先前鉴定的PKs中DR热点的影响。 5 转化挑战与未来展望 将机制见解转化为克服治疗耐药性的临床可行策略面临着跨生物学、技术和临床领域的多层面挑战。在生物学上，肿瘤异质性和进化动力学在空间上不同的生态位中产生平行的耐药机制，而肿瘤-免疫生态系统的可塑性使得持续的免疫逃逸成为可能。在技术上，常规活检通常无法捕捉实时克隆适应，而临床前模型如永生化细胞系缺乏准确靶点验证所需的微环境复杂性。在临床上，按癌症类型划分的耐药机制区室化使通用治疗策略的开发复杂化，并且在靶向非遗传适应性状态时，药效学解耦是常见的。 新兴的解决方案包括将患者来源的类器官培养与单细胞多组学整合的功能精准医学平台、模拟耐药性演变的AI驱动数字孪生，以及纳入生物标志物指导治疗组的适应性临床试验设计。取得成功将需要重新定义治疗目标，从最大程度地根除肿瘤细胞转向对耐药克隆的生态控制，利用进化原理设计“灭绝疗法”。  5.1 临床前模型的局限性 传统的临床前模型在再现人类治疗耐药性动态方面存在根本局限性，主要是由于它们无法捕捉整合的肿瘤-免疫-基质生态系统和临床肿瘤的时空异质性。体外单层培养无法复制ECM结构、生物力学力和代谢梯度，导致>90%的在体外显示疗效但在临床试验中失败的肿瘤药物损耗率。 小鼠模型面临挑战。免疫活性小鼠中的同基因肿瘤缺乏由HLA多样性塑造的人类特异性免疫相互作用，而免疫缺陷小鼠中的患者来源异种移植物排除了适应性免疫，这对于评估免疫调节剂至关重要。此外，大多数模型忽视了微生物组对药物代谢和免疫激活的影响，正如无菌条件消除了微生物群依赖的CTLA-4阻断疗效所说明的那样。 创新方法正在解决这些缺陷：包含自体免疫细胞和成纤维细胞的患者来源的类器官共培养；在纵向多组学数据集上训练的计算机数字孪生以模拟耐药性演变；以及用患者来源的微生物群重建的人源化微生物组-免疫模型。这些进展，与NIH人类肿瘤图谱网络的空间分析标准等框架保持一致，有望为耐药研究提供具有增强预测价值的模型系统。 5.2 耐药研究的新前沿 高分辨率技术通过揭示以前无法接近的空间、时间和分子动态，正在重塑我们对耐药性的理解。单细胞多组学平台，如配对的单细胞RNA-seq和单细胞转座酶可及染色质测定，可以跟踪稀有耐药亚克隆内的转录和表观遗传重编程，显示表型可塑性如何在没有遗传变化的情况下实现短暂的药物耐受性。空间转录组学平台原位绘制耐药生态位，识别庇护持久性细胞的免疫抑制基质屏障，如在PDAC中观察到的那样，纤维化区域携带具有高存活基因表达的表达的静息肿瘤细胞。 表观转录组分析，包括m6A-seq和假尿苷作图，已经发现了RNA修饰驱动的适应性通路。例如，白血病干细胞中FTO介导的m6A去甲基化增加了BCL2 mRNA稳定性，赋予独立于基因组突变的venetoclax耐药性。这些见解揭示了新的脆弱性类别：缺氧生态位中的代谢依赖性、由RNA修饰酶失调触发的上下文特异性合成致死性，以及由改变的RNA修饰暴露的neoantigen非依赖性T细胞识别位点。 5.3 迈向主动管理和先发制人策略 从被动转向主动的耐药性管理代表了肿瘤学的根本变化。传统策略通常只在耐药性变得 clinically 明显后才进行处理，限制了治疗选择。未来的方法必须优先考虑早期检测和干预，在耐药克隆成为主导之前。 液体活检平台能够实现微创、实时监测ctDNA、循环肿瘤细胞和其他生物标志物。早期检测耐药相关突变或克隆扩张创造了在临床进展之前进行干预的机会。 基于机器学习的风险预测算法可以整合纵向液体活检数据、影像学和临床记录，以预测耐药性的出现，从而允许及时和个性化的治疗调整。 适应性治疗循环，基于分子反馈在药物或治疗方式之间交替，可以通过阻止任何单一克隆获得永久优势来抑制耐药群体。这种策略与进化原理一致，旨在通过管理克隆动态而不是根除所有癌细胞来控制肿瘤生长。 6 结论 肿瘤药物耐药性研究面临三个核心挑战：在生物学层面，肿瘤异质性和克隆进化导致耐药机制的动态积累，而微环境的物理屏障限制了药物递送。在技术层面，现有模型难以模拟人类生态系统，静态活检无法捕捉耐药克隆的实时演变。在临床层面，耐药性占化疗失败的90%和超过50%的靶向/免疫治疗失败，而联合策略由于交叉耐药和毒性增加常常无法维持疗效。这些挑战 collectively 阻碍了治疗结果的改善。 当前，解决药物耐药性问题的策略主要集中于直接靶向耐药机制、微环境重塑和适应性治疗。尽管基于ctDNA早期预警耐药克隆和AI多组学模型预测进化轨迹的精确动态干预概念已被提出，但上述方法仍然面临转化挑战。直接靶向策略受限于肿瘤适应性逃逸，微环境调控表现出时空异质性，临床模型仍然不足以模拟微生物群-免疫相互作用等复杂机制。 因此，未来研究应聚焦于跨学科创新以克服当前瓶颈，包括：1）技术创新，开发高分辨率动态监测技术，如单细胞空间多组学分析耐药生态位，结合液体活检追踪表观遗传进化，构建人源化免疫-微生物组嵌合模型，整合患者来源类器官与微生物群移植以模拟真实微环境。2）靶点扩展，深入研究非遗传适应性机制，如微生物代谢物对免疫记忆重塑的调控和新型PTM相互作用网络。3）临床范式创新，通过AI驱动的适应性临床试验、间歇给药以激活抗肿瘤免疫以及多功能纳米载体实现肿瘤生态调控，推广“进化指导的疗法”。 这些措施将有助于建立一个主动的耐药预警、靶向消除和生态控制的预防与控制系统，最终推动癌症治疗从被动应对耐药性向主动生态调控的范式转变，并实现耐药可控的长期疾病管理目标。 Cite: Li J, Hu J, Yang Y, Zhang H, Liu Y, Fang Y, Qu L, Lin A, Luo P, Jiang A, Wang L. Drug resistance in cancer: molecular mechanisms and emerging treatment strategies. Mol Biomed. 2025 Nov 17;6(1):111. doi: 10.1186/s43556-025-00352-w. PMID: 41247642; PMCID: PMC12623568.