冰山一角

20世纪末，细胞信号转导通路领域突飞猛进，取得了全面的进展，这也成为了癌症靶向治疗的基础。在探索、积累这些细胞信号通路信息的过程中，科学家们付出了卓绝的努力，而为了把这些数目庞大的信息应用于临床，他们同样也付出了不懈努力。然而，其中绝大部分努力都以失败告终，究其原因，可能是因为没有充分认识到信号通路的繁冗和复杂性。于是，21世纪初，在慢性髓系白血病和一些实体癌症类型中，药物学和基因缺陷之间逐渐形成了一种简单而直接的联系，而且这种基因缺陷很单一，它只影响一种信号分子——激酶。例如，2004年，美国Dana-Farber癌症研究院的Paez JG等发现，如果肺癌存在表皮生长因子受体（epidermal growth factor receptor，EGFR）基因突变，从而导致EGFR（一种酪氨酸激酶型受体）被激活，那么使用EGFR激酶抑制剂吉非替尼(Gefitinib)就能抑制癌肿的生长；2011年，加州大学洛杉矶分校的Ribas A等在回顾了BRAF靶向药物的Ⅰ、Ⅱ、Ⅲ期试验后总结道，如果黑色素瘤存在BRAF基因（编码丝/苏氨酸蛋白激酶——BRAF蛋白）突变，则BRAF靶向药物就能对癌肿的生长起到抑制作用。“一种突变激酶，一种靶向药物”——这种极具诱惑性的例子掀起了一波靶向药物的“淘金”热潮，在科学家们看来，这场药物革命将最终取代化疗和放疗，成为癌症的一线治疗方案，在此激励下，他们前赴后继地投身到这场“淘金潮”中来。这种例子的一个延伸是人表皮生长因子受体2（human epidermal growth factor receptor 2，HER2）抑制剂/单克隆抗体，它被用于HER2过表达的乳腺癌患者。

不幸的是，在对多种肿瘤类型进行了全面的基因分析后，作为“单一驱动因素”的致癌基因似乎只代表一种异常，而不是癌症“法则”的全部。而且，靶向治疗的成功只是暂时的——在数周或数月内肿瘤就会复发，似乎对初始靶向药物不再敏感而获得了耐药性。

尽管如此，希望还在。有新观点认为，靶向药物在临床上的失败无情地揭露了我们对所靶向细胞信号网络的特点存在巨大的知识鸿沟，即无与伦比的复杂性和难以撼动性。要想前进，必须承认致癌基因突变只是冰山一角，并且要了解一些潜藏在水下的冰山部分，因为这对利用那些已经获得了巨大发展且化学特性已经得到了充分分析的靶向药物这一巨大宝库是非常有必要的。

目前，科学家们主要通过仔细研究源自病人的肿瘤样本和细胞系，用各种技术对其进行筛查来找出潜在的治疗靶点，发展新的治疗策略。2005年，美国国家癌症研究所和美国国家人类基因组研究所开启了一项大型系统工程——癌症基因组图谱计划（The Cancer Genome Atlas，TCGA），其目的在于联合全球科学家，找到所有癌症基因，从而为癌症检测、治疗以及预防提供新的方法，现在TCGA也正在将研究范围拓宽到信号蛋白领域。迄今为止，基因信息是应用得最广泛、最成功的数据，以此为依据，肿瘤被划分为了各种分子亚型，也出现了检测致癌基因突变的各种手段。但这些静态的、固定的数据只代表了露出水面的冰山部分，而这座冰山水下部分的数据则复杂得多，包括动态信息、网络生物学和细胞异质性，它们中的每一个都能影响肿瘤对治疗的反应。

两项研究的启示

要想填补我们对信号网络复杂性认识的鸿沟、理顺网络内的信号流与靶向药物作用间的动态关系，系统生物学是一个合适的，或许还是唯一的策略。系统生物学兴起于世纪之交，在基因组学、蛋白质组学等学科大发展的基础上得以诞生。顾名思义它探讨的不是单一的某一个组学，而是将基因组学、蛋白组学、转录组学等“组学”整合起来的大科学，其目标就是要得到一个理想的模型，使其能反映出生物系统的真实性。

2013年，两项发表于《科学•信号》上的论文表明，系统方法学是基因组学的有益补充：通过对基础以及配体刺激下受体信号网络的活性进行多维统计学分析，一项研究总结出了乳腺癌细胞对靶向药物的敏感性；另一项研究则构建了动态模型来预测靶向药物的最佳组合。

哈佛医学院的Niepel等通过建立统计学模型，将药物反应和信号网络的状态联系了起来。他们的方法是利用乳腺癌细胞系，在基线和数种生长因子和细胞因子存在的情况下，对蛋白质表达、各种受体酪氨酸激酶磷酸化的状态以及信号分子进行量化分析。研究人员按照mRNA的表达对肿瘤进行了亚型的区分——HER2增强型、激素受体（hormone receptor，HR）阳性型、以及雌激素受体/孕酮受体/HER2阴性型（triple negative，TNBC），在此基础上对总蛋白和磷酸化蛋白进行了量化。所有这些数据综合在一起就可以用来建立药物敏感性的统计学模型，预测特定细胞系对药物的反应。研究得出了两个值得注意的结论：①肝细胞生长因子受体c-Met和成纤维细胞生长因子受体（fibroblast growth factor receptor，FGFR）可以帮助划分TNBC和HR阳性亚型；②预测HER2靶向药物的敏感性应综合考量HER2和HER3的丰度及活性，把它们融合为统一体去考虑而不是用“二元论”的眼光去看待，仅考虑HER2增强的状态。这对临床可能非常有用，因为用HER2信号的总体状态预测HER2靶向治疗的敏感性比仅用HER2增强状态预测更优。

美国剑桥Merrimack医药公司的Kirouac等用系统药理学的方法探讨了预防HER2靶向治疗失败的可能性，他们利用此法寻找最佳的药物组合方案——既可以提高初始治疗效果，又能将后续的反馈调节对疗效的负面影响降到最低。这项研究最核心的成就是建立了一个模型，将三个处于不同时间范畴的动态信息——受体激活、信号传播、细胞表型联系了起来。这个模型会追踪配体与EGFR、HER2、HER3的结合，及随后位于其下游的细胞外信号调节激酶（extracellular signal-regulated kinase，ERK）和AKT激酶的活性，而这一信号转导通路决定了细胞是凋亡还是分裂，由此即可推断出相应比率，从而反映出药物疗效。模型的参数值取自一种代表性的HER2增强型乳腺癌细胞系（BT-474）。这种综合的系统学方法产生了几个非常有意思的现象。在异种移植了BT-474的荷瘤小鼠体内，经该模型模拟预测，联合应用HER3靶向抗体（MM-111）和HER2酪氨酸激酶抑制剂拉帕替尼抑制肿瘤生长的效果优于单用MM-111。如果推及临床，这就要看药物的总体数量了，因为这跟某个用药方案的剂量无关。研究人员随后继续研究了他们这一模型在三联或两联用药时的预测能力，这些药物都靶向作用于信号网络的几个节点。结果该模型准确预测出了这几种药物组合降低异种移植肿瘤生长的效果，提示该模型充分囊括了与治疗反应相关的生物学基础，所以能成功预测。

该项研究的局限性可能在于，研究人员没有将结论推演至有机体内，反而是一味着眼于不同细胞系对药物敏感性的分子学基础。但是从另一方面来说，很多大型项目（比如癌细胞系百科全书）已经证实，细胞系确实是研究肿瘤变化和药物应答的恰当模型系统，但只适用于某些情况下。总体原则是，如果能去掉癌细胞的“自主”特性，使其回归在微环境下的状态会更好。在这一点上，Kirouac等证实，可以研究HER2信号调节在细胞系隔离中的作用，因为在他们的研究中显示，HER2信号极大地摒除了微环境对异种移植皮下肿瘤BT-474的影响。研究转基因鼠或患者可能会更好地解决在微环境之外探讨癌细胞对治疗反应的问题。

解读繁复信号网络之道——系统生物学

总之，这两项研究都表明，在我们已看到的肿瘤基因改变的下面，还存在着相当复杂的细胞信号通路网络，要想理清这些一团乱麻似的线索，需要依靠系统生物学。

两项研究显示，利用系统生物学方法可以帮助预测乳腺癌治疗的效果。Kirouac等在表皮生长因子受体家族及其下游通路以及信号输入的基础上，通过在不同时间点、多个条件下对数种信号蛋白进行量化，建立起了预测细胞命运（凋亡抑或分裂）的机理模型。Niepel等则采用了另一种方法：在基线和配体刺激条件下分别对多种信号蛋白进行检测，并分析它们与药物敏感性的统计学关联，从而建立起了一个更为广阔的网络模型。

这两项研究提示，确定治疗靶点更好的策略是给这些网络建模，而不是仅把突变或过表达基因的产物当靶标。更进一步地思考这些结论，可以想到一个非常有意思的可能：基因改变就像“化石”一样，往往是一直存在于你体内的，它并不是导致癌细胞恶变的主要原因。

（作者：白蕊、沈颖)

参考文献：《Science Signaling》2013;6:pe32