泉深 发表于 2016-6-15 08:44:05

【医学前沿】 精准医学研究进展

本帖最后由 泉深 于 2016-6-15 11:24 编辑

精准医学研究进展

何明燕1,夏景林1,2*,王向东3,4* (1. 复旦大学附属中山医院肝癌研究所,上海 200032;2. 复旦大学附属闵行医院,上海 201100; 3. 上海市临床生物信息学研究所,上海 200032;4. 复旦大学附属中山医院临床生物信息学研究中心,上海 200032)

摘要:基于人类基因组计划及二代测序技术获得的大量生物信息学数据,展开人类健康和疾病的相关性研究意义重大。随着
新的疾病管理模型-精准医学概念逐步得到认可,依据患者内在生物学信息以及传统临床症状和体征,临床有望针对患者个
体实施关于健康医疗和临床决策的量身定制。本文从不同平台组学数据整合标准化模型的建立意义等出发,简要综述有助于
精准医疗的基于分子表型的疾病细分以及靶向特异性药物的研发,期待未来靶向药物的研发能针对疾病亚型秉承更加特异和
更低毒性的原则展开。

关键词:精准医学;转化医学;组学;靶向治疗 中图分类号:R-3   文献标志码:A   文章编号:1672-9188(2015)06-0418-05 DOI:10.13683/j.wph.2015.06.012

随着人类基因组计划(HGP)完成及二代测序 技术兴起,生物信息学数据量得到了急剧扩增。然而,在编译、组织和处理这些数据的效率,提取能真实反应生物过程的数据,通过数据洞察人类健康和疾病等方面,并未能保持同步进展。导致部分信 息闲置并不断增加 。2011 年,美国国家科学院 (NAS)出版的《Toward Precision Medicine: Building a Knowledge Network for Biomedical Research and a New Taxonomy of Disease》提出,基因组学成果促进整合生物医学信息学和临床信息学,从而迈向精准 医学 (precision medicine) 的时代 。 精准医学是依据患者内在生物学信息以及临床症状和体征,对患者实施关于健康医疗和临床决策的量身定制。其旨在利用人类基因组及相关系列技术对疾病分子生物学基础的研究数据,整合个体或全部患者临床电子医疗病例。精准医学与个性化医 疗(personalized medicine) 不同。个性化医疗强调为 个体设计独特的治疗方式,而精准医学是服务于疾病新分类的需求,是整合生物医学研究和临床医学信息,并依据不同分子学基础定义疾病亚型,从而达到在分子学水平为临床疾病亚型群体提供更精确的诊断和治疗。

近年来,大规模多水平组学生物学技术(如:蛋白组学、代谢组学、基因组学、转录组学及表型组学等)以及计算机分析大数据工具的快速发展,为精准医学提供了强有力的技术基础。临床信息学技术的进步如电子医疗病例等,也为获得详细临床数据并对接生物学大数据提供了可能。精准医学的 发展对健康医疗水平的提高有巨大促进作用 。癌症是一类疾病基因性,多数癌症隐藏一系列突变或变异的原癌基因。精准肿瘤学是精准医学的领头羊。肿瘤研究已从癌症基因组的系统研究中获益,这些研究揭示癌症基因影响细胞信号、染色体、表观调 节以及代谢和谱系成熟 。精准医学研究刻不容缓, 2015 年 1 月美国总统奥巴马宣布启动精准医学计 划 ,此举可以视为医学新时代的序幕已经拉开。 1   生物信息学和临床医学的转化研究精准医学整合大规模组学数据和临床医学信息。转化医学的研究是精准医学的重要组成部分。目前,各地转化医学研究中心不断涌现,转化研究项目也 不断实施。2012 年,国际千人基因组计划研究成员 在 Nature 杂志发表了1 092 个人类基因数据,绘制 了人类遗传变异图谱,表明人群中存在大量的遗传变异,这有助于理解不同种族背景以及影响药物代谢的遗传学变异 。2013 年,英国首相卡梅伦宣 布实施十万人基因组计划,并声称该项计划获得的 信息将会作为免费资源公诸于众 。这些遗传信息
还会与受试者临床医学表型信息关联,有助于研究
者发现与临床状况有关的基因信息,并开发新治疗 策略,提高精准医疗 。
此外,其他大型转化医学项目还包括,如肿 瘤 基 因 图 谱 (The cancer genome atlas, TCGA), DNA 元件百科全书(encyclopedia of DNA elements, ENCODE) ,以及人类蛋白质组计划(human proteome project, HPP) 等。TCGA包含体细胞突变、 拷贝数变异、mRNA 表达、miRNA 表达、蛋白质表 达和组织学图片等各类信息,旨在整合约7 000 种 人类肿瘤的复杂分子网络。ENCODE 计划绘制转录 区域,转录因子相关区域、组蛋白修饰区域、DNA 甲基化区域以及染色体结构,从而阐明编码人类基 因组的所有功能性元件 。HPP 计划旨在深入理解 人类基因组计划预测的约20 000 个人类蛋白质编码 基因。近期染色体为中心的 HPP 计划 (chromosomecentric human proteome project, C-HPP) 及基于 人体组织的HPP 图谱(tissue-based map of human proteome) 已取得一定进展。C-HPP 计划深入系统 地分析各种已知和遗漏的染色体蛋白质组织/ 细胞、 亚细胞定位以及与人类疾病 ( 如免疫性、代谢性疾 病以及癌症 ) 的关系。基于人体组织的HPP 图谱鉴 定了药物相关性蛋白、癌症蛋白以及不同组织器官 的代谢差异。此外,分泌组 (secretome),即全部的 分泌性蛋白,也是蛋白组的重要部分,约由10% 人 类基因编码。其在细胞免疫、黏附、通讯以及药物 传送机制中具有重要作用 。分泌性蛋白数据库 (secreted protein database, SPD) 收录了18 000种人以 及鼠的分泌性蛋白,包括来自SwissProt、Trembl、 Ensembl 和 Refseq 等序列信息 。研究细胞分泌组 有助于鉴定疾病诊断、预后及治疗反应监测的生物 标记物 。


尽管涌现的大数据对精确诊断和药物研发等具有重要贡献,但建立疾病知识网络和新分类系统任 重道远,仍需更深入的精准医学研究 。疾病知识网络将成为一份整合性信息共识,以方便搜索个人基因组、转录组、蛋白组、代谢组、表型组、临床
症状体征数据、实验室检查、环境暴露以及社会经济学因素等相关信息。知识网络的建立将是对疾病机制、发病机制以及治疗的深入理解,将驱动疾病新分类系统的发展,从而定义疾病亚型。 2   基于分子表型的疾病细分 基于分子表型的疾病新分类系统发展在精准医学中具有重要作用,有助于探索新治疗策略以及新药开发,以进一步提高临床疗效。例如,高通量基因表达谱技术证实,曾一度认为性质单一的弥漫 大 B 细胞淋巴瘤 (DLBCL) 存在显著的分子学异质 性 。DLBCL 至少存在3 种基因表达亚型,即: GCB(germinal-center B-cell-like)、 ABC (activated B-cell-like) 以 及PMBL (primary mediastinal B-cell lymphoma) 。这些亚型起源于B 细胞分化的不 同阶段,存在不同的原癌基因激活特征。在现行的 标准疗法下,不同的亚型与临床预后相关。ABC 亚 型一般预后不良。ABC 亚型中的基因变异引起NFκB(nuclear factor-κB) 活性改变,与治疗抵抗有关 。 Hsp90 抑制剂AUY922,能有效靶向ABC 亚型中 基因变异引起的NF-κB 活性改变,表明其在提高 ABC-DLBCL 疗效及预后方面具有潜在应用价值 。 然而,疾病基因学复杂性决定了单一的组学研究很难系统且完全地解释疾病的整体生物学行为,从而进行精准的疾病细分。因此,不同组学及组学的整合研究是开发疾病新分类系统的关键。目前,不同组学平台的数据标准化尚未统一,组学整合研究进展受到一定阻碍。建立组学数据整合标准化模型迫在眉睫。 3   靶向特异性药物靶向特异性药物在提高临床疗效方面已经取得巨大进展,选择作用于特异性遗传学靶点的治疗方
案可为患者提供更为安全有效的治疗。治疗靶点一
般是信号通路上信号转导或转录活化的关键分子。 例如,内皮生长因子受体 (EGFR) 控制多种调节细 胞生长和增殖的关键信号通路。可以说,EGFR 酪 氨酸酶抑制剂 (EGFR-TKI) 掀起了肺癌精准治疗的 新时代。第一代EGFR-TKI 吉非替尼和埃罗替尼已 作为临床EGFR 突变的非小细胞肺癌(NSCLC)靶 向特异性治疗药物。TKI 能有效提高晚期EGFR 突 变的NSCLC 无进展生存期(PFS)。其他靶向 特异性药物,如HER2 靶向制剂 ( 拉帕替尼、帕妥 珠单抗)、ABL 抑制剂(伊马替尼、尼洛替尼)、 MEK 抑制剂 ( 曲美替尼 ) 和免疫检查点抑制剂 [ 抗 细胞毒性T 细胞抗原-4(CTLA-4) 单克隆抗体制剂 易普利姆玛 ] 等均在癌症精准医疗中显现出巨大的优势和潜力。

药物毒性和治疗抵抗是靶向药物临床应用的巨大挑战。新开发的分子靶向药物毒性可影响心、肺、 皮肤、内分泌和胃肠道等器官 。目前亟待更特异和更有效但低毒性的靶向药物研发。原发性及获得性治疗抵抗也不可避免地发生一些原本期望获得良
好疗效的患者身上。药物抵抗机制需进一步研究以 寻找潜在解决方案并研发新一代靶向药物。如 EGFTKI 抵抗不仅与EGFR 第 20 外显子T790M 错义突 变有关,还与某些关键驱动基因 ( 包括 c-MET/HGF、 HER2、PIK3CA、ERK、BRAF、CRKL 和 AXL)相 关的逃逸机制有关 。二代EGFR-TKI 如阿法替尼 能共价结合分子 EGFR 及 HER2,导致不可逆的抑制 效应 。第三代EGFR-TKI 致力于克服T790M 介 导的药物抵抗,目前正在进行临床研究 。此外, 免疫治疗可能是药物抵抗的优选解决方案。PD-L1 抑制剂可提高T 细胞活性,在肿瘤免疫中具有重要 作用 。研究表明,EGFR-TKI 能通过下调 PD-L1, 提高抗肿瘤免疫。抗PD-L1 抗体可能是EGFR 突变 的 NSCLC EGFR-TKI 抵抗的优选治疗方案 。


4   数据挖掘
组学数据为深入理解人类疾病和健康的生物学过程提供巨大援助。计算机数据挖掘是优化疾病候选基因的重要工具。基于基因网络的共犯原则 (guilt-by-association, GBA) 是数据分析的基本原理, 相同作用组或相同表达数据的基因最可能共享同一 生物学功能 。目前,存在各种优化疾病候选基因 的数据资源和网络 。数据资源如,基因本体论 (gene ontology, GO)、KEGG(kyoto encyclopedia of genes and genomes) 等能进行富集分析对基因及基因 产物进行功能注释。NCBI、LocusLink、 Ensemble、 SwissPro 和 TrEmbl 提供已知与疾病相关的蛋白序 列数据。网络分析可利用局部网络信息如相邻结点 (direct neighbor)、最短路径 (shortest path) 和结点度 数(degree of a node) 等,或整体网络信息概观整体 网络拓扑结构优化候选基因 。数据深入挖掘方法为研究者优化候选基因带来了巨大益处,但不应忽略该方法的弊端和限制。如 GO 及 KEGG 上注释的功能基因不全面,必然导致 一些关键分子或通路的遗漏。目前多数数据挖掘工具都是依靠曾报道过的疾病相关数据信息进行分析,这也限制了新的疾病相关基因预测潜力。 5   结语精准医学是服务于生物信息学及临床医学信息发展的需求,显现出巨大的发展潜力。建立不同平台的组学数据整合标准化模型是精准医学的关键任务,有助于开发疾病新分类系统、定义疾病亚型并
根据患者遗传学特征进行个性化治疗。此外,靶向特异性药物的研发取得了巨大进展,且临床疗效已获得证实。未来靶向药物的研发有望针对疾病亚型,秉承更加特异和更低毒性的原则进行,值得期待。


参考文献 :
National Research Council (US) Committee. Toward Precision Mdedicine:Building a Knowledge Network for Biomedical Research and a New Taxonomy of Disease. Washington DC: National Academies Press, 2011.
Reardon S. Precision-medicine plan raises hopes. Nature, 2015, 517(7536): 540.
Garraway LA, Lander ES. Lessons from the cancer genome. Cell, 2013, 153(1): 17-37.
Collins FS, Varmus H. A new initiative on precision medicine. N Engl J Med, 2015, 372(9): 793-795.
Abecasis GR, Auton A, Brooks LD, et al. An integrated map of genetic variation from 1,092 human genomes. Nature, 2012, 491(7422): 56-65.
Kuehn BM. 1000 Genomes Project finds substantial genetic variation among populations. J Am Med Assoc, 2012, 308(22): 2322, 2325.
Torjesen I. Genomes of 100,000 people will be sequenced to create an open access research resource. Br Med J, 2013, 347: f6690.
Anon. An integrated encyclopedia of DNA elements in the human genome. Nature, 2012, 489(7414): 57-74.
Paik YK, Jeong SK, Omenn GS, et al. The ChromosomeCentric Human Proteome Project for cataloging proteins encoded in the genome. Nat Biotechnol, 2012, 30(3): 221-223.
Paik YK, Omenn GS, Thongboonkerd V, et al. Genome-wide proteomics, Chromosome-Centric Human Proteome Project (C-HPP), part Ⅱ[ J]. J Proteome Res, 2014, 13(1): 1-4.
Uhlen M, Fagerberg L, Hallstrom BM, et al. Proteomics. Tissue-based map of the human proteome. Science, 2015, 347(6220): 1260419.
Pavlou MP, Diamandis EP. The cancer cell secretome: a good source for discovering biomarkers?. J Proteomics, 2010, 73(10): 1896-1906.
Skalnikova H, Motlik J, Gadher SJ, et al. Mapping of the secretome of primary isolates of mammalian cells, stem cells and derived cell lines. Proteomics, 2011, 11(4): 691-708.
Chen Y, Yu P, Luo J, et al. Secreted protein prediction system combining CJ-SPHMM, TMHMM, and PSORT. Mamm Genome, 2003, 14(12): 859-865.
Dunleavy K, Roschewski M, Wilson WH. Precision treatment of distinct molecular subtypes of diffuse large B-celllymphoma: ascribing treatment based on the molecular phenotype. Clin Cancer Res, 2014, 20(20): 5182-5193.
Rosenwald A, Wright G, Chan WC, et al. The use of molecular profiling to predict survival after chemotherapy for diffuse large-B-cell lymphoma. N Engl J Med, 2002, 346(25): 1937-1947.
Tsai HJ, Shih NY, Kuo SH, et al. AUY922 effectively targets against activated B cell subtype of diffuse large B-cell lymphoma and low-grade lymphoma cells harboring genetic alteration-associated nuclear factor-κB activation. Leuk Lymphoma, 2015: 1-9.
Mitsudomi T, Morita S, Yatabe Y, et al. Gefitinib versus cisplatin plus docetaxel in patients with non-small-cell lung cancer harbouring mutations of the epidermal growth factor receptor (WJTOG3405): an open label, randomised phase 3 trial. Lancet Oncol, 2010, 11(2): 121-128.
Rosell R, Carcereny E, Gervais R, et al. Erlotinib versus standard chemotherapy as first-line treatment for European patients with advanced EGFR mutation-positive non-small-cell lung cancer (EURTAC): a multicentre, open-label, randomised phase 3 trial. Lancet Oncol, 2012, 13(3): 239-246.
Mallarkey G, Mangoni AA. Targeting precision medicine toxicity: recent developments. Ther Adv Drug Saf, 2015,6(1): 4-14.
Sacher AG, J?nne PA, Oxnard GR. Management of acquired resistance to epidermal growth factor receptor kinase inhibitors in patients with advanced non-small cell lung cancer. Cancer, 2014, 120(15): 2289-2298.
Yap TA, Popat S. Toward precision medicine with nextgeneration EGFR inhibitors in non-small-cell lung cancer. Pharmgenomics Pers Med, 2014, 7: 285-295.
Topalian SL, Hodi FS, Brahmer JR, et al. Safety, activity, and immune correlates of anti-PD-1 antibody in cancer. N Engl J Med, 2012, 366(26): 2443-2454.
Chen N, Fang W, Zhan J, et al. Up-regulation of PD-L1 by EGFR activation mediates the immune escape in EGFR-driven NSCLC: Implication for optional immune targeted therapy for NSCLC patients with EGFR mutation. J Thorac Oncol, 2015.
Pavlidis P, Gillis J. Progress and challenges in the computational prediction of gene function using networks: 2012-2013 update. 2013, 2 (1): 230. Gill N, Singh S, Aseri TC. Computational disease gene prioritization: an appraisal. J Comput Biol, 2014, 21(6): 456-465.








页: [1]
查看完整版本: 【医学前沿】 精准医学研究进展