化療,、放療和手術(shù)等都是傳統(tǒng)的癌癥治療方式,，但是由于腫瘤的特異性，這些方法并不適用于每個(gè)患者,。最近,，一項(xiàng)關(guān)于肝癌精準(zhǔn)治療的研究引起了人們的關(guān)注。研究人員建立了一個(gè)包含來自不同患者的肝癌類器官的生物庫,，并對這些樣本進(jìn)行了全面的分析,。他們發(fā)現(xiàn)，肝癌可以分為不同的亞型,，并且每個(gè)亞型對藥物的反應(yīng)模式也不同,。這些發(fā)現(xiàn)為肝癌的精準(zhǔn)治療提供了新的思路和方法?？靵砗托W(xué)社一起學(xué)習(xí)吧,！

肝癌是全球癌癥死亡的第三大原因，但由于肝癌的高異質(zhì)性和復(fù)雜性,，大多數(shù)針對肝癌的藥物在臨床試驗(yàn)中失敗,。此外，目前批準(zhǔn)的肝癌藥物主要是多激酶抑制劑,，但其臨床反應(yīng)率低且無法通過基因組學(xué)預(yù)測患者的藥物敏感性,。因此對于肝癌的有效治療成為一個(gè)重要挑戰(zhàn),。

腫瘤的異質(zhì)性是精確治療的關(guān)鍵障礙，腫瘤間和腫瘤內(nèi)的高度異質(zhì)性決定了患者的敏感性或耐藥性,，并加劇了臨床試驗(yàn)的失敗率,。因此，開發(fā)能夠維持腫瘤異質(zhì)性和體內(nèi)特征的臨床前模型對于有效的藥物評估和生物標(biāo)志物開發(fā)至關(guān)重要,。類器官模型的出現(xiàn)為解剖腫瘤異質(zhì)性和精確腫瘤學(xué)帶來了突破,，然而建立肝癌類器官的成功率僅為30%。因此,，建立大規(guī)模的患者來源的肝癌類器官生物庫仍然是一個(gè)主要障礙,。并且，目前還沒有全面的體外模型可以完全概括肝癌組織的蛋白質(zhì)基因組學(xué)特征,，同事系統(tǒng)的多組學(xué)特征和人工智能促進(jìn)的肝癌模型藥物篩選仍然缺乏,。

本研究建立了包含65個(gè)人類肝癌類器官的生物庫，并對其進(jìn)行了全面的藥物蛋白質(zhì)基因組學(xué)分析,。通過蛋白質(zhì)基因組學(xué)特征建模,，實(shí)現(xiàn)了對藥物反應(yīng)的高預(yù)測準(zhǔn)確性，還利用蛋白質(zhì)基因組學(xué)數(shù)據(jù)和藥物反應(yīng)數(shù)據(jù)集,，評估了潛在的藥物聯(lián)合治療,，為臨床患者選擇和藥物聯(lián)合治療提供指導(dǎo)。

• 建立類器官并進(jìn)行多組學(xué)分析

• 利用類器官進(jìn)行藥物高通量篩選

• 構(gòu)建藥物反應(yīng)預(yù)測模型

• 構(gòu)建網(wǎng)絡(luò)預(yù)測模型預(yù)測潛在藥物組合

1. 類器官概括了原發(fā)癌組織的組織學(xué)和分子特征

本研究創(chuàng)建了一個(gè)肝癌類器官生物庫（LICOB）,，用于研究原發(fā)性肝癌,。研究人員收集了經(jīng)手術(shù)切除的肝癌組織，并將其用于培養(yǎng)成肝癌類器官,。他們成功建立了65個(gè)類器官,。

這些類器官展現(xiàn)了與特定腫瘤類型相關(guān)的形態(tài)特征，并且能夠再現(xiàn)原始組織和癌癥類型的組織學(xué)特征,。與相應(yīng)的癌組織相比,，類器官的腫瘤純度更高。在體細(xì)胞突變,、拷貝數(shù)變異(CNV),、DNA甲基化、轉(zhuǎn)錄組學(xué)和蛋白質(zhì)組學(xué)特征方面,，類器官與原始組織之間高度一致。類器官具有多樣性和內(nèi)在分子特征,，可作為可靠的肝癌模型（圖1）,。

圖 1 .LICOB的建立及與原發(fā)性肝癌的比較。 (A)肝癌有機(jī)體的藥物-蛋白基因組學(xué)分析工作流程示意圖,。 (B)LICOB中有機(jī)體模型的數(shù)量,。 (C)LICOB的代表性亮場圖像（標(biāo)尺,，100μm）。 (D)器官組織,、異種移植物及其母體腫瘤的代表性紅霉素和伊紅（H&E）染色（標(biāo)尺,，50μm）。 (E和F)免疫熒光（E）和免疫組化（F）分析LICOB中的指示標(biāo)記（標(biāo)尺,，50μm）,。(G)LICOB和配對癌組織的突變?nèi)玻╪=48對）。 (CNV,，n=48 對,；RNA-seq，n=43 對,；RRBS,，n=30 對；蛋白質(zhì)組,，n=22 對）（Wilcoxon-rank-sumtest）,。

2. LICOB的多組學(xué)分類確定了四種亞型

圖2,。LICOB的分子亞型,。基于多組學(xué)數(shù)據(jù)的(A)共識聚類揭示了四種亞型。每一列代表一個(gè)類器官樣本,，行表示分子特征,。在每個(gè)LICOB多組學(xué)聚類和每種類型的組學(xué)數(shù)據(jù)中所選擇的基因集的(B) ssGSEA評分（*FDR < 0.05，Wilcoxon秩和檢驗(yàn)）,。(C)LICOB中HCCO亞型與既往患者HCC組織分型結(jié)果的比較（Fisher精確檢驗(yàn)）,。根據(jù)類器官亞型的多組學(xué)特征（log-rank檢驗(yàn)），CPTAC HCC隊(duì)列總生存率的(D)Kaplan-Meiner曲線,。通過GSEA富集了檢測癌癥特征的通路,。(E)與L-DM相比，L-LM中通過轉(zhuǎn)錄組和蛋白質(zhì)組同時(shí)檢測到的6729個(gè)基因的變化的象限圖,。(F)L-LM和L-DM之間差異表達(dá)基因的基因本體論（GO）富集分析,。

3. G6PD介導(dǎo)L-DM亞型的代謝重編程

圖3,。G6PD作為L-DM癌癥類器官的潛在藥物靶點(diǎn)。(A)LICOB亞型中潛在藥物靶點(diǎn)的差異蛋白表達(dá),。L-LM與L-DM中(B) G6PD蛋白和mRNA的表達(dá)（Wilcoxon秩和檢驗(yàn)）,。基于CPTAC HCC數(shù)據(jù)集中G6PD蛋白,、上分位數(shù)表達(dá)的總生存Kaplan-Meier曲線（log-rank檢驗(yàn)）,。LICOB集群中指示通路的(D) ssGSEA評分。(E)糖酵解途徑的ssGSEA評分,。(F)每個(gè)LICOB樣本中PPP-和糖酵解相關(guān)基因的mRNA表達(dá),。(G)G6PD表達(dá)與各指示蛋白之間的Pearson相關(guān)性,。(H) Western blot分析G6PD沉默（sh-G6PD）或?qū)φ眨╯h-NT）的L-DM中HCCO8和HCCO12中的G6PD。(I)所示類器官的增殖（雙向方差分析）,。(J)指定的類器官區(qū)域（學(xué)生第一次測試）。類器官數(shù)量（shNTvssh-G6PD）：HCCO8（n=1049vsn=3496）,；HCCO12（n=476vsn=897）,。(K)箱形圖顯示的代謝物（學(xué)生的t檢驗(yàn)）。(L)L6PD對L-DM類器官抑制的劑量-反應(yīng)曲線（Wilcoxon秩和檢驗(yàn)）,。(M)在LICOB亞型中選擇的多組學(xué)特征,。(N)MYC CNV與糖酵解蛋白（藍(lán)點(diǎn)）和PPP通路（紅點(diǎn)）蛋白的表達(dá)之間的Spearman相關(guān)性。(O)G6PD在L-DM患者代謝通量轉(zhuǎn)移中的作用示意圖,。

4. LICOB患者藥物反應(yīng)的異質(zhì)性與分子亞型相關(guān)

研究人員使用LICOB隊(duì)列對76種藥物和化合物進(jìn)行高通量藥物篩選,。通過計(jì)算曲線下面積（AUC）、半最大抑制濃度（IC50）和最大效應(yīng)（Emax）來確定類器官的反應(yīng),，發(fā)現(xiàn)在隨機(jī)選擇的類器官中也觀察到實(shí)驗(yàn)之間的高重復(fù)性,。同源類器官的藥物反應(yīng)相關(guān)性顯著高于異源類器官，表明來自同一患者的類器官具有相似的藥物反應(yīng)模式,。

LICOB模型顯示了不同的治療反應(yīng)模式,。乙型肝炎病毒(HBV)陽性的類器官通常比HBV陰性的類器官更耐化療。大多數(shù)類器官對相同靶點(diǎn)的藥物表現(xiàn)出相似的反應(yīng),，但是針對同一途徑的幾種藥物表現(xiàn)出明顯的不一致性,。LICOB是研究耐藥機(jī)制的有力模型，并在LICOB的四種亞型中觀察到不同的藥物/化合物反應(yīng)模式,，其中增生性亞型L-PL對某些藥物較敏感,，而代謝性亞型L-LM和L-DM較耐藥。同時(shí),，藥物的療效可能與特定基因的上調(diào)有關(guān),。根據(jù)藥物敏感性L-ICC類器官被分為R-ICCO和S-ICCO兩個(gè)亞群。通過比較L-ICC類器官與臨床蛋白質(zhì)組學(xué)腫瘤分析協(xié)會(CPTAC)隊(duì)列ICC組織的蛋白質(zhì)組學(xué)特征,，發(fā)現(xiàn)R-ICCO接近原始的最貧困生存亞型(S1),。這些結(jié)果表明LICOB中的異質(zhì)性藥物反應(yīng)與特定的多組學(xué)特征相關(guān)。

圖4,。LICOB類器官中的異質(zhì)性藥物反應(yīng),。(A)對76種篩選藥物的已知作用機(jī)制。(B)各藥物類別中HBV陽性和HBV陰性患者的類器官之間的平均AUC值（Wilcoxon秩和檢驗(yàn)）,。(C)具有共同分子靶點(diǎn)的藥物的AUC值的代表性散點(diǎn)圖（皮爾遜相關(guān)性）,。顏色對應(yīng)于(A).中的顏色(D)在76種藥物的4種亞型之間的平均AUC值。AUC值采用Z評分,，并按行進(jìn)行歸一化處理,。(E)四種亞型間化療藥物AUC值的比較（Student’st檢驗(yàn)）,。(F)4個(gè)亞型中反應(yīng)組細(xì)胞周期有絲分裂途徑的ssGSEA評分（Wilcoxon秩和檢驗(yàn)）。(G)與FGFR抑制劑（BGJ398和PD173074）或MET抑制劑（替萬替尼）反應(yīng)相關(guān)的多組學(xué)特征,。條形圖顯示了藥物的AUC與每個(gè)簇中的特征值之間的Spearman相關(guān)性,。對BGJ398和PD173074的相關(guān)系數(shù)取平均值。(H)S-ICCOs與R-ICCOs之間的平均AUC值的分布（Wilcoxon秩和檢驗(yàn)）,。(I)基于L-ICC聚類特征的CPTAC隊(duì)列總生存率的Kaplan-Meier曲線（log-rankrest）,。(J)使用CPTAC隊(duì)列中報(bào)道的代表性通路對L-ICC中的R-ICCOs和S-ICCOs簇進(jìn)行比較。(K)與對阿法替尼的反應(yīng)相關(guān)的多組學(xué)特征,。(L)基于蛋白質(zhì)組學(xué)數(shù)據(jù)對S-ICCOs或R-ICCOs中指示基因集的ssGSEA評分,。

5. 利用蛋白質(zhì)基因組數(shù)據(jù)建立藥物反應(yīng)預(yù)測模型

圖5,。LICOB的藥物蛋白質(zhì)基因組分析,。(A) Circos圖顯示了76種藥物的彈性凈預(yù)測模型。第一個(gè)內(nèi)圓表示每個(gè)LICOB樣本的敏感度,；藍(lán)色和粉紅色分別代表頂部敏感性和抗性樣本,。第二個(gè)內(nèi)圈表示每個(gè)類器官模型中特定藥物反應(yīng)的AUC值,。第三個(gè)內(nèi)圓表示預(yù)測精度最好的多組學(xué)或單組學(xué)數(shù)據(jù)類型，最外層的圓表示每個(gè)預(yù)測模型中的特征數(shù)量,。(B)通過余弦相似度和MSE評價(jià)藥物預(yù)測準(zhǔn)確性的比較,。(C)指示藥物L(fēng)ICOB測試集中預(yù)測AUC值與測量AUC之間的Spearman相關(guān)性。(D)多組學(xué)特征對索拉非尼的預(yù)測精度最高,。左邊的橫橫圖顯示了模型中的特征系數(shù),。(E)由代表索拉非尼耐藥性的多組學(xué)特征豐富的途徑（超幾何檢驗(yàn)，本杰米尼-hochberg調(diào)整）,。(F)GDSC中來伐替尼的預(yù)測AUC值與測量的AUC之間的顯著相關(guān)性。(G)來伐替尼具有最佳預(yù)測精度的多組學(xué)特征,。左邊的橫橫圖顯示了模型中的特征系數(shù),。（H和I）指示通路的活性與LICOB模型對來伐替尼的AUC值之間的皮爾遜相關(guān)性。

6. 確定可促進(jìn)樂伐替尼應(yīng)答的聯(lián)合方案

圖6。在LICOB中的藥物組合預(yù)測與驗(yàn)證,。(A)聯(lián)合用藥預(yù)測的工作流程,。(B)來伐替尼的藥物通路網(wǎng)絡(luò)圖。橙色節(jié)點(diǎn)表示與來伐替尼聯(lián)合用藥的預(yù)測效率,，節(jié)點(diǎn)大小表示與來伐替尼聯(lián)合用藥評分,。綠色節(jié)點(diǎn)表示連接每對藥物組合的通路,。(C)來伐替尼與其他藥物聯(lián)合使用的預(yù)測評分。點(diǎn)的大小表示由不同的組學(xué)數(shù)據(jù)所貢獻(xiàn)的分?jǐn)?shù),。(D)對所有LICOB樣本的來伐替尼和替西羅莫司聯(lián)合治療的預(yù)測評分,。(E)顯示經(jīng)指定藥物處理的類器官中磷酸化位點(diǎn)的標(biāo)準(zhǔn)化豐度的熱圖。(F)顯示HCCO31中來伐替尼-替西羅莫司聯(lián)合劑量-反應(yīng)矩陣的熱圖,。(G) Western blot分析MEK-ERK級聯(lián)和AKT激活,。（H和I）在HCCO31 (H)和來伐替尼耐藥PDX模型的異種移植模型中，藥物對腫瘤生長的療效,。治療結(jié)束時(shí)具有代表性的腫瘤異種移植瘤圖像（比例尺,，1 cm）和每組腫瘤生長曲線（數(shù)據(jù)為平均± SEM，雙向方差分析）,。

參考文獻(xiàn)

Ji S, Feng L, Fu Z, Wu G, Wu Y, Lin Y, Lu D, Song Y, Cui P, Yang Z, Sang C, Song G, Cai S, Li Y, Lin H, Zhang S, Wang X, Qiu S, Zhang X, Hua G, Li J, Zhou J, Dai Z, Wang X, Ding L, Wang P, Gao D, Zhang B, Rodriguez H, Fan J, Clevers H, Zhou H, Sun Y, Gao Q. Pharmaco-proteogenomic characterization of liver cancer organoids for precision oncology. Sci Transl Med. 2023 Jul 26;15(706):eadg3358. doi: 10.1126/scitranslmed.adg3358. Epub 2023 Jul 26. PMID: 37494474.