Flickr

高通量基因组测序和靶向癌症药物的到来已承诺引入一个“精密医学”时代，从而根据其肿瘤的顺序对每位癌症患者进行治疗。

这种范式取得了一些显着的成功。例子包括诸如曲妥珠单抗诸如乳腺癌和伊马替尼特定亚型的ERBB2之类的药物，该药物靶向慢性髓样白血病中的BCR-ABL1融合基因。但是，这些是少于30种癌症药物的列表，这些药物具有可操作的靶标，可以使用基因检测来鉴定。值得注意的是，几乎所有这些药物都是药物设计的产物。旨在寻找现有药物的新目标的药物重新利用策略和生物标志物发现策略几乎普遍失败。

原因之一是癌症中药物反应的遗传学在本质上很难研究。癌症患者通常接受复杂的体系治疗，并在大型患者队列中收集有关药物反应的清洁测量数据非常困难，昂贵且很少导致新发现。因此，大多数研究仅限于临床前疾病模型。例子包括癌细胞系和小鼠。然而，在临床试验中应用这些类型的疾病模型中，有强大的生物标志物的历史悠久。

我们认为，一个问题之一是，在临床前模型中发现的生物标志物通常在临床试验中以与最初发现的生物标志物相一致的方式进行测试。为了在临床前疾病模型中详细说明，例如一系列细胞系，通过将肿瘤的分子特征与干净测量的药物反应表型进行比较，发现了生物标志物，该表型已根据经过处理的细胞系进行了收集用一种药物。但是，当在临床环境中进行测试时，通常不会接受一种药物治疗，而是可能是药物的鸡尾酒，也许是其他方案（例如放射疗法）。

另一种情况可能会发现基于生物标志物的试验正在对已经产生多药耐药性的一组复发患者进行。显然，最初发现了生物标志物的不同情况。解决此问题的一种明显方法是重新评估如何对患者进行生物标志物的测试，但是，在大多数情况下，这将导致严重的道德问题，因为患者可能不再接受最佳治疗。

我们的发现以不同的方式解决此问题。具体而言，我们已经开发了一系列统计技术，这些技术试图通过估计细胞系倾向于响应生物标志物发现过程来改善生物标志物发现过程全部药物，然后使用统计方法来控制该变量。

我们将此潜在变量称为“药物敏感性的一般水平”或GLD。我们的假设是，这样做应该更仔细地模拟如何最终在临床上测试这些生物标志物，从而产生更可能有效地转化为诊所的结果。

总体而言，我们的结果非常令人鼓舞。我们发现，考虑细胞系如何对所有药物做出反应的考虑，这给了我们与临床观察结果更加一致的结果。局限性之一是显然这是回顾性的观察，但是将来我们希望我们的发现将在前瞻性试验中进行测试。但是，我们的发现为几个基于生物标志物的临床试验和药物重新利用工作的失败提供了强有力的理由。

向前迈进，我们希望将类似的方法应用于较大的数据集，也许可以应用于其他临床前疾病模型，例如小鼠研究。其他研究人员还可以使用我们在研究中发布的R软件包“ GLDS”应用我们的方法。