GATA6

胰腺癌（PC）是一种高度恶性的消化系统肿瘤，尤其是胰腺导管腺癌（PDAC），具有高侵袭性和预后极差，因此被称为“癌中之王”。 1 胰腺癌概述 1.1 流行病学胰腺癌对于多数患者而言是致命疾病，中位生存期约为4个月，5年生存率为13%。根据2022年全球癌症数据统计，胰腺癌发病率居全球恶性肿瘤第12位，癌症死亡人数居第6位（见图1）。根据2024年中国癌症数据统计，胰腺癌发病新发病例数为11.87/万例，死亡人数为10.63/万例。图1 2022年全球癌症统计来源：Freddie Bray, et al. CA Cancer J Clin. 2024胰腺癌恶性程度较高，进展迅速,但起病隐匿，早期症状不典型，临床就诊时大部分患者已属于中晚期。传统的手术切除和化疗虽仍为主要治疗手段，但术后复发率高、预后不佳等问题仍未得到有效解决。1.2 发病机制胰腺癌是最常见的胰腺实体肿瘤（占比>95%），起源于正常腺上皮经癌前病变发展为浸润癌。约95%肿瘤源于胰腺上皮内瘤变（PanIN）。其他癌前病变包括胰腺囊肿（如IPMN和黏液性囊腺瘤）。约半数胰腺癌伴发IPMN患者的浸润癌并非源自IPMN。普通人群胰腺囊肿发生率16%，IPMN最常见且恶变风险最高。低危特征IPMN 10年恶变累积发生率8%，高危特征者可达25%。胰腺癌存在多种分子改变，涉及癌基因激活、抑癌基因失活、DNA损伤修复基因变异等。91%为体细胞突变，9%存在胚系突变。常见体细胞突变包括KRAS（~88%）、TP53（61-74%）、CDKN2A（16-44%）和SMAD4（20-22%）。KRAS突变是胰腺癌发生的关键遗传事件，90%以上低级别PanIN即存在，在肿瘤演进中持续激活，促进增殖、存活、迁移和侵袭。KRAS蛋白通过影响肿瘤间质和微环境，在转移和化疗耐药中起重要作用。转录组分析发现多个独特亚型，其中基底样和经典型分类最具预后和化疗反应预测价值。基底样肿瘤富集上皮-间质转化（EMT）、细胞周期进展和TGF-β信号通路，预后更差。EMT参与癌细胞重编程，促进循环播散和免疫逃逸。胰腺癌以促纤维增生性间质为特征，含大量细胞外基质、脉管系统和癌相关成纤维细胞，致间质高压阻碍化疗药物递送。癌细胞沿血管、神经和胶原结构浸润，神经侵犯（62%）和淋巴血管侵犯（54%）率高，与不良预后相关。1.3 胰腺癌的起源和发病胰腺导管腺癌（PDAC）起源于胰腺的外分泌组织。研究表明，腺泡细胞和导管细胞在获得致癌突变和/或肿瘤抑制功能失活后，均可能成为PDAC的起源细胞。致癌基因KRAS的激活突变可见于两种最常见的PDAC前驱病变：胰腺上皮内瘤变（PanINs）和囊性病变——导管内乳头状黏液性肿瘤（IPMNs）。除KRAS突变外，编码G蛋白α亚基Gαs的基因GNAS的激活突变以及肿瘤抑制基因RING型E3泛素连接酶（RNF43）的功能失活也与IPMNs的发生相关。随着这些前驱病变从低级别向高级别进展，可观察到肿瘤抑制基因CDKN2A的缺失或染色质重塑复合物SWI/SNF组分的丢失。进一步伴随前驱病变向PDAC的演进，肿瘤抑制基因SMAD4或TP53的缺失或失活突变相继出现。此外，基于RNA转录组特征，PDAC被划分为多个亚型。其中，“经典型（Classic）”和“基底样型（Basal-like）”为两大共识亚型，而“混合型（Hybrid）”则用于描述兼具两者特征的病例。图2 胰腺癌的起源和发病来源：Christopher J Halbrook, et al. Cell. 20231.4 组织学分型及解剖学分期胰腺癌WHO组织学分型（2019版）：起源于胰腺导管上皮的恶性肿瘤：导管腺癌、腺鳞癌和鳞癌、胶样癌、肝样腺癌、髓样癌、浸润性微乳头状癌、印戒细胞癌、未分化癌（间变型/肉瘤样型）、未分化癌伴破骨细胞样巨细胞、其他。起源于非胰腺导管上皮的恶性肿瘤：腺泡细胞癌、姨母细胞癌、实性-假乳头状肿瘤、胰腺神经内分泌肿瘤。胰腺癌的组织学亚型中，PDAC是最常见的外分泌肿瘤。超过90%的胰腺癌为PDAC。胰腺癌的解剖分期详见图3。图3 胰腺癌的解剖学分期来源：Thomas F Stoop, et al. Lancet. 2025胰腺导管腺癌（PDAC）起源于胰腺的外分泌组织。研究表明，腺泡细胞和导管细胞在获得致癌突变和/或肿瘤抑制功能失活后，均可能成为PDAC的起源细胞。致癌基因KRAS的激活突变可见于两种最常见的PDAC前驱病变：胰腺上皮内瘤变（PanINs）和囊性病变——导管内乳头状黏液性肿瘤（IPMNs）。除KRAS突变外，编码G蛋白α亚基Gαs的基因GNAS的激活突变以及肿瘤抑制基因RING型E3泛素连接酶（RNF43）的功能失活也与IPMNs的发生相关。随着这些前驱病变从低级别向高级别进展，可观察到肿瘤抑制基因CDKN2A的缺失或染色质重塑复合物SWI/SNF组分的丢失。进一步伴随前驱病变向PDAC的演进，肿瘤抑制基因SMAD4或TP53的缺失或失活突变相继出现。此外，基于RNA转录组特征，PDAC被划分为多个亚型。其中，“经典型（Classic）”和“基底样型（Basal-like）”为两大共识亚型，而“混合型（Hybrid）”则用于描述兼具两者特征的病例。 2 胰腺癌治疗的进展与挑战 手术是目前胰腺癌能获得治愈的唯一机会，而大多数胰腺癌患者在晚期被诊断时已经无法手术切除或存在转移性疾病。即使接受手术切除，近3/4 PDAC患者会在两年内复发，提示切除术后仍存在微转移灶。2.1 转移性胰腺癌化疗的关键3期研究结果对于转移性胰腺癌患者，化疗是标准治疗方案，首选方案为FOLFIRINOX（改良氟尿嘧啶+亚叶酸+伊立替康+奥沙利铂）和吉西他滨-白蛋白结合型紫杉醇。与单药吉西他滨相比，FOLFIRINOX和吉西他滨-白蛋白紫杉醇均显著改善生存：FOLFIRINOX组中位总生存期为11个月  -，1年生存率为48%；吉西他滨-白蛋白紫杉醇组中位总生存期为9个月，1年生存率为35%；而单药吉西他滨的中位总生存期仅约7个月，1年生存率为21-22%。因此，吉西他滨仅推荐用于体能状态较差的患者。尽管证据表明某些胰腺癌亚型对FOLFIRINOX反应更佳，而另一些对吉西他滨类方案更敏感，但尚无随机试验证实这些结论。国际NAPOLI-3试验显示，NALIRIFOX（伊立替康+5-氟尿嘧啶+亚叶酸+奥沙利铂）的疗效优于吉西他滨-白蛋白紫杉醇：NALIRIFOX组中位总生存期为11个月，1年生存率为46%；而吉西他滨-白蛋白紫杉醇组中位总生存期为9个月，1年生存率为40%。然而，目前缺乏直接比较FOLFIRINOX与吉西他滨-白蛋白紫杉醇或NALIRIFOX的随机试验。一项基于个体患者数据的网状Meta分析显示，三者间总生存期无显著差异。若姑息化疗6个月后疾病未进展，可暂停治疗或考虑维持治疗。对于携带BRCA突变的患者，推荐在铂类化疗后使用PARP抑制剂奥拉帕利维持治疗。该方案可延长无进展生存期，但未改善总生存期。若一线FOLFIRINOX治疗期间疾病进展，可考虑二线吉西他滨类化疗。两项随机试验显示二线化疗可带来生存获益：CONKO-003试验表明，对吉西他滨一线治疗进展的晚期患者，奥沙利铂+5-氟尿嘧啶+亚叶酸方案优于单用5-氟尿嘧啶+亚叶酸（中位总生存期6个月 vs. 3个月）；NAPOLI-1试验显示，脂质体伊立替康+5-氟尿嘧啶+亚叶酸方案优于单用5-氟尿嘧啶+亚叶酸（中位总生存期6个月 vs. 4个月）。然而，PRODIGE UNICANCER随机试验显示，一线FOLFIRINOX进展后，二线吉西他滨-紫杉醇与单药吉西他滨的中位总生存期均为6个月，无显著差异。图4 转移性胰腺癌化疗的关键随机对照3期试验来源：Thomas F Stoop, et al. Lancet. 20252.2 转移性胰腺癌靶向治疗的关键3期研究结果靶向治疗在胰腺癌领域仍面临重大挑战（见图5）。多款靶向药物关键临床研究结果不佳，未能改善患者OS。而在靶向治疗领域中，随着越来越多的证据表明不同肿瘤亚型对化疗敏感性存在差异（如基底样亚型与经典型亚型、SMAD4A、BRCA1、BRCA2、GATA6等基因特征），临床试验需进一步明确常规基因和转录组肿瘤分型的附加价值，以确定特定化疗方案的敏感性。图5 转移性胰腺癌靶向治疗的关键随机对照3期试验来源：Thomas F Stoop, et al. Lancet. 2025 3 胰腺癌临床研发概览 化疗和手术是PDAC的主要治疗手段。对于晚期/转移性胰腺癌，CSCO指南（2024年版）建议，无论是一线治疗还是二线及以上治疗，均以化疗为主。对于体能较差的MSI-H/dMMR患者，PD-1/PD-L1免疫检查点抑制剂为一线治疗的II级推荐以及二线及以上治疗的III级推荐。NCCN（2025年版）建议，对于体能状态良好（PS 0-1）和FGFR基因改变的局晚期或转移性胰腺癌患者，Erdafitinib被新增为有用的治疗方案。3.1 胰腺癌已获批上市药物目前全球范围内共12款药物获批上市治疗胰腺癌，其中中国有3款，包括：百泰生物的尼妥珠单抗、礼来制药的吉西他滨以及百时美施贵宝制药的丝裂霉素。表1 胰腺癌已获批上市药物百泰生物的尼妥珠单抗和Merus的泽妥珠单抗（Zenocutuzumab）是近两年获批治疗胰腺癌的新药。尼妥珠单抗EGFR为大家熟知的肿瘤靶点，目前已有多款三代EGFR TKIs上市，且第四代EGFR TKIs也在开发中。尼妥珠单抗是全球首个以EGFR为靶点的人源化单克隆抗体，靶向结合肿瘤细胞表面EGFR，抑制EGFR的级联效应及下游信号通路的激活，阻滞细胞周期、促进细胞凋亡，同时尼妥珠单抗为IgG1单克隆抗体,能够诱导体液和细胞免疫，介导ADCC/CDC效应、导致EGFR内吞和降解，进而杀灭肿瘤细胞。尼妥珠单抗最早于2008年在中国获批用于治疗鼻咽癌，后续相继获批胰腺癌和头颈部鳞状细胞癌。表2 尼妥珠单抗已获批适应症尼妥珠单抗于2023年6月在国内获批与吉西他滨联合治疗KRAS野生型局部晚期或转移性胰腺癌（一线治疗），主要基于关键临床NOTABLE（NCT02395016）的研究结果。图6 尼妥珠单抗在胰腺癌中临床研发路径来源：Insight数据库NOTABLE研究是一项前瞻、随机对照、双盲、多中心注册III期临床研究，试验组采用尼妥珠单抗联合吉西他滨治疗，尼妥珠单抗每次400mg，每周1次，直至疾病进展或无法耐受，吉西他滨1000mg/m2，第1、8、15天，每4周一疗程，直至疾病进展或无法耐受；对照组接受安慰剂和吉西他滨治疗。NOTABLE研究按1：1比例入组92例KRAS阴性晚期/转移胰腺癌患者。研究结果（图7）表明，尼妥珠单抗联合吉西他滨组的mOS显著延长，试验组vs对照组为10.9 vs. 8.5个月（HR=0.66，P=0.024）。尼妥珠单抗联合吉西他滨组1年生存率提高63%，试验组vs对照组为43.6% vs 26.8%（p=0.024）。尼妥珠单抗联合吉西他滨组的mPFS显著延长，试验组vs对照组为4.2 vs 3.6个月（HR=0.60，P=0.013）。相比于另一款获批治疗胰腺癌的EGFR靶向药物厄洛替尼（厄洛替尼于2018年在美国已撤回该适应症），尼妥珠单抗的疗效显然更佳。图7 NOTABLE研究疗效终点结果来源：Shukui Qin, MD, et al. J Clin Oncol. 2023在CSCO指南（2024版）中（图8），尼妥珠单抗联合GEM被推荐用于KRAS野生型转移性胰腺癌一线治疗（体能状态较好者为II级推荐；体能状态较差者I级推荐）。图8 2024年CSCO指南转移性胰腺癌一线治疗来源：2024年CSCO指南泽妥珠单抗HER3（人表皮生长因子受体3）是EGFR/HER家族的重要成员，尽管其内在酪氨酸激酶活性极弱，但在肿瘤发生、耐药机制及免疫逃逸中扮演关键角色。HER3缺乏有效的激酶活性，需通过与EGFR、HER2等家族成员形成异源二聚体激活下游信号通路（如PI3K/AKT、MAPK），促进肿瘤细胞增殖、存活和转移。其配体神经调节蛋白（NRG）结合后，HER3的磷酸化位点成为PI3K的强效招募平台，驱动肿瘤耐药性。Zenocutuzumab是目前全球监管机构仅批准一款HER3靶向药。泽妥珠单抗（Zenocutuzumab）是Merus开发的一款靶向HER2/HER3的双抗，于2024年12月获FDA单臂附条件批准上市，用于二线及三线治疗携带NRG1基因融合晚期、不可切除或转移性非小细胞肺癌；或用于二线及三线治疗携带NRG1基因融合晚期、不可切除或转移性胰腺腺癌。这是FDA首次批准针对患有NRG1基因融合的NSCLC或胰腺癌患者的系统性治疗。Zenocutuzumab同时靶向HER2和HER3，阻断NRG1与HER3结合及二聚体形成，抑制PI3K/AKT通路并介导抗体依赖性细胞毒性（ADCC）。见图9。NRG1融合是什么？NRG1基因编码的神经调节蛋白1是ERBB受体激酶的配体，通过HER/ErbB家族受体酪氨酸激酶转导其信号。NRG1基因融合会引起ERBB3/HER3过度活化，促进肿瘤发展和癌细胞存活。NRG1融合在胆囊癌、胰腺癌、卵巢癌和肺癌中较为常见。其中，在胰腺癌中约为0.5%，在非小细胞肺癌中约为0.3%。图9 NRG1融合信号传导和泽妥珠单抗作用机制来源：Jan Gerlach, et al. AACR. 2021泽妥珠单抗的获批主要基于一项1/2期的关键研究（eNRGy试验，NCT02912949）的研究结果。eNRGy研究是全球、开放标签、多中心、1/2期试验，入组携带NRG1融合的局部晚期、不可切除或转移性实体瘤患者。入组患者每两周静脉注射750 mg泽妥珠单抗，直至疾病进展。研究的主要终点为研究者评估的ORR。根据2025年发表在新英格兰杂志中的数据分析（图10-11），eNRGy试验目前共纳入204例患者，包括12种肿瘤类型。在数据截止日期前至少24周纳入的158例有可测量病变的患者中，ORR为30%（95%CI：23%，37%），mDOR为11.1个月（95%CI：7.4，12.9）。多种肿瘤类型均观察到缓解。在存在可测量病灶的93例患有非小细胞肺癌患者中，研究者评估的ORR为29%（95% CI：20%，39%），mDOR为12.7个月（95%CI：7.4，20.4）。在36例可评估的胰腺癌（PDAC，KRAS野生型）患者中，研究者评估的ORR为42%（95%CI：25%，59%），mDOR为7.4个月（95%CI：4.0，11.2）。图10 Zenocutuzumab在NRG1阳性癌症中的疗效来源：Alison M Schram, et al. N Engl J Med. 2025图11 Zenocutuzumab在NRG1阳性癌症中的ORR和mDOR结果来源：Alison M Schram, et al. N Engl J Med. 20253.2 胰腺癌药物临床研发现状根据Insight数据库统计（图12），目前全球范围内，共12款药物获批上市治疗胰腺癌，有1款申请上市中（非积极状态），48款处于临床3期，8款处于临床2/3期，273款处于临床2期，294款处于临床1/2期，504款处于临床1期。处于2/3期及3期临床的药物以化药为主，其次为单抗和疫苗；靶向VEGFR2、PD-1、KIT和PDGFR的药物较多。图12 胰腺癌中处于2/3期及3期临床的药物类型及靶点信息来源：Insight数据库从药物类型上看，处于早期临床的药物还是以化药为主，其次为单抗、ADC、疫苗、CAR-T以及双抗，可以看出近年来胰腺癌的药物研发方向开始转向生物药。从靶点方面看，以CLDN-18.2、MSLN以及PD-1为主，此外，靶向KRAS突变的药物也是研发热门。见图13。图13 胰腺癌中处于1期、1/2期及2期临床的药物类型及靶点信息来源：Insight数据库 4 胰腺癌治疗困难重重针对晚期或转移性胰腺癌，目前临床上仍缺乏有效治疗手段。免疫治疗近年来在多个癌种中疗效颇佳，然而胰腺癌因固有的免疫逃逸特性及高度抑制的肿瘤微环境（TME），导致既往免疫治疗效果欠佳。尤其是胰腺导管腺癌，因其免疫功能障碍和对免疫疗法的抗拒而广泛被认为是一个治疗难题。胰腺癌的基因组驱动因素在早前已被证实。超过90% PDAC患者存在KRAS突变。KRAS一直被认为是难成药靶点，近年来针对 KRASG12C和KRASG12D的等位特异性抑制剂及泛Ras抑制剂的研发为 KRAS 突变肿瘤带来希望。KRASG12C共价抑制剂已获批用于非小细胞肺癌，但在PDAC中反应率仅21%且疗效短暂，耐药机制涉及细胞自主和非自主途径。 KRAS抑制剂在胰腺癌中的研发仍将面临类似挑战。联合用药可能是极具前景的治疗策略。除KRAS外，TP53、SMAD4和CDKN2A的功能缺失突变也主导PDAC基因组。其他主要驱动基因赋予肿瘤独特表型：CDKN2A缺失常伴随9p21染色体干扰素簇缺失，导致免疫“冷”肿瘤和对免疫治疗耐药；SMAD4缺失与不良预后和转移相关；TP53突变通过基因组不稳定性、代谢重编程和转移倾向促进肿瘤进展。除小分子抑制剂外，治疗性疫苗、蛋白降解剂、外泌体siRNA和工程化T细胞受体疗法等新策略正在探索中。在BRCA1/2种系突变患者中，PARP抑制剂奥拉帕利显著延长无进展生存，但未改善总生存。近期研究提示BRCA1/2和PALB2双等位缺失患者也可受益，相关试验正在扩展至辅助治疗和联合免疫治疗中。改善胰腺癌治疗的五大优先领域基因组改变：针对突变RAS的多种直接靶向策略正在进入临床实践，通过基因测序可识别其他可干预的遗传驱动因素，用于有效治疗特定亚群患者。   代谢调控：胰腺癌细胞代谢重编程为选择性靶向肿瘤细胞提供了机会。通过阻断肿瘤应对营养失调的清除、再循环及代谢交叉对话机制，可切断癌细胞能量供应并克服治疗耐药。  肿瘤微环境重塑：靶向间质成纤维细胞或直接调控细胞外基质可改善药物渗透，但需保留抑制癌细胞迁移的天然屏障。平衡微环境“促癌”与“抑癌”作用是关键。   免疫治疗突破：解除肿瘤内细胞互作的免疫抑制、重编程髓系细胞功能可恢复抗肿瘤免疫。需联合增强抗原呈递、促进细胞毒性T细胞浸润及防止T细胞耗竭等策略。   创新临床试验设计：临床研究应优先验证高潜力疗法，通过分子标志物动态评估患者反应，并对无效病例快速切换治疗方案。多维度干预策略的整合是成功关键。图14 胰腺癌的治疗策略来源：Christopher J Halbrook, et al. Cell. 2023小结手术是目前胰腺癌能获得治愈的唯一机会，而大多数胰腺癌患者在晚期被诊断时已经无法手术切除或存在转移性疾病。针对晚期或转移性胰腺癌，目前临床上仍缺乏有效治疗手段。虽然胰腺癌治疗仍困难重重。但近年来涌现了针对胰腺癌分子亚型及耐药的新疗法，如DNA损伤修复、合成致死策略、肿瘤疫苗、KRAS抑制剂、ATM抑制剂，以及靶向Claudin 18.2、MET、NTR1等。胰腺癌的治疗正在经历由传统化疗进入个体化和精准化治疗的转变，针对不同亚群体的靶向治疗药物在持续开发。临床上胰腺癌的缺药局面加速了新药好药的上市步伐。如泽妥珠单抗另辟蹊径，成为NRG1基因融合阳性肿瘤的FIC并获得FDA加速批准，其开发路径具有一定的参考价值。

DRUGAI疾病发生和进展的特异性研究中，识别调控转录因子（TRs）仍具有挑战性，这些因子通过调控元件和表观基因组信号控制基因表达。大规模多组学表观基因组数据的引入，为解析调控元件及其调控因子的复杂模式提供了可能。研究人员在此提出TRAPT，一个多模态深度学习框架，可通过学习和整合靶基因的顺式调控元件及全基因组结合位点的调控潜能，推断转录因子的活性。在570个与TR相关的数据集上，TRAPT在预测转录因子，尤其是协同因子和染色质调控因子方面优于现有方法。此外，该方法成功识别出与疾病、遗传变异、细胞命运决策及组织相关的关键转录因子，展现了基于表观组数据识别TRs的全新视角。基因表达调控由多种上游转录调控因子（TRs）共同驱动，包括转录因子（TFs）、协同因子（TcoFs）和染色质调控因子（CRs），它们介导启动子与远端增强子的信号传递。异常的基因表达常与疾病发生密切相关，因此识别关键调控因子对于理解疾病机制至关重要。随着 ChIP-seq 和 ATAC-seq 等技术的发展，顺式与反式调控图谱得以清晰描绘。TRs 在染色质开放性和组蛋白修饰等表观信息的共同作用下，展现出细胞特异性的调控活性。此外，大量研究表明 TFs 可通过结合启动子或增强子等顺式调控序列，调节靶基因表达。鉴于基因调控机制的复杂性，研究人员亟需利用大规模表观基因组数据，全面捕捉基因上游的协同调控特征，以提升 TRs 的预测能力。高通量测序技术的快速发展使 ATAC-seq、DNase-seq 和 ChIP-seq 等数据迅速积累。然而，不同来源的数据存在噪声干扰、批次效应及冗余等问题，增加了整合与表示学习的难度。目前已有多种方法尝试通过功能基因集推断上游 TRs，如 Enrichr、ChEA3、Lisa 等，但这些方法大多基于统计富集分析，未能充分利用顺式调控元件（CREs）的详细信息。而CREs是 TF 功能的核心，缺乏这部分信息将限制调控因子的准确预测。一些方法虽引入 CRE 数据，但仅局限于与输入基因集相关的区域，无法覆盖全基因组调控图谱。此外，TRs 往往倾向于结合在活跃染色质区域，表现出结合偏好（TRBP），这类偏好尚未被现有方法充分建模。更重要的是，当前大多数方法仅限于通过基因集推断上游调控因子，缺乏对其全基因组结合位点的推理能力，因此急需能够全面整合CRE与结合位点的预测框架。多组学表观数据的整合也存在诸多挑战，例如跨模态干扰与非线性关系。现有方法多基于传统回归模型，未能有效处理跨模态间的复杂关系。深度学习技术在多个生物学任务中已展现出强大表现，其关键在于高质量数据的采集与建模。研究人员此前构建了多个表观调控数据库，如 TcoFBase、CRdb、TFTG、SEdb 和 ATACdb，系统汇聚了大量 TRs、增强子与染色质开放性信息，构建了当前最全面的表观特征资源库。结合这些数据资源与先进深度学习方法，为深入解析表观调控网络提供了前所未有的可能。本研究中，研究人员提出了一个数据驱动的深度学习框架——TRAPT，融合多阶段学习结构，通过知识蒸馏和图卷积神经网络整合表观特征，联合建模靶基因的顺式调控元件信号与全基因组结合位点，优化 TR 活性表示，并识别上下文特异的关键调控因子。在570个 TR 敲除数据集上进行评估，TRAPT 在预测 TFs、TcoFs 和 CRs 方面均优于现有方法。进一步，TRAPT 成功识别出阿尔茨海默病中的关键因子（如 REST），并在细胞发育与组织数据中准确预测了控制细胞命运与组织特异性的调控因子。结果TRAPT 方法概述TRAPT 是一个整合多组学信息的预测框架，旨在根据输入的感兴趣基因集推断转录调控因子（TRs）的活性。简而言之，该模型以基因集为输入，输出每个TR的活性评分。TRAPT 采用多阶段融合策略，分别处理来自全基因组结合位点的下游调控潜能（D-RP）以及源自顺式调控元件的上游调控潜能（U-RP），从而解决TR结合偏好（TRBP）和顺式调控信息缺失（ICCP）的问题。TRAPT 的流程主要包括四个步骤：计算表观调控潜能（Epi-RP）与转录因子调控潜能（TR-RP）：研究人员收集了超过 20,000 份表观基因组数据，包括 ATAC-seq、H3K27ac 和 TR ChIP-seq 数据，并进行预处理后，计算每个基因的调控潜能。通过对表观组数据统一加权衰减，并对TRs采用上下文特异的衰减策略，分别得到 Epi-RP 和 TR-RP，用于后续建模。预测 TR 的下游调控潜能（D-RP）：该步骤旨在将 Epi-RP 与 TR-RP 融合，构建 TR 与表观样本之间的异构网络（ERN）。研究人员采用 k 近邻算法建立网络，并使用条件变分自编码器（CVAE）与图变分自编码器（VGAE）构建的知识蒸馏模型（D-RP模型）进行优化。教师模型学习多模态嵌入，学生模型学习统一、低噪声表示。该机制提升了模型对跨模态数据的鲁棒性，输出为 D-RP 矩阵。预测查询基因集的上游调控潜能（U-RP）：研究人员设计了另一个知识蒸馏模型（U-RP模型），以Epi-RP和输入基因集为基础，选出关键的表观组样本并推断其调控作用。学生模型在教师模型提供的“软标签”指导下，通过稀疏组套索（SGL）方法引入组内与组间稀疏性，实现对非冗余、非线性组合样本的精准筛选。输出为U-RP向量，包含与查询基因相关的染色质开放性（ATAC）与活性状态（H3K27ac）信息。整合 D-RP 和 U-RP 推断 TR 活性：将归一化后的 TR-RP 和 D-RP 矩阵逐元素相加，再与 U-RP 向量逐元素相乘，获得整合调控潜能（I-RP）。随后，使用 ROC 曲线下面积（AUC）衡量 TR 与基因集的相关性，并合并两种路径得到最终的 TR 活性评分。综上，TRAPT 融合了 TR 的全基因组结合潜能与靶基因顺式调控潜能，能够在上下文特异的基础上，高效识别调控输入基因集的关键 TRs。TRAPT 在基准数据集上表现优越研究人员采用“目标TR排序分数”作为主要评估指标，衡量算法根据基因集预测对应调控因子排名的能力。例如，在 GATA6 敲除实验中，若GATA6本身的排名靠前，则说明预测性能较好。为全面评估TRAPT，研究人员整合了来自 KnockTF 数据库的570个转录因子敲除/敲低数据集，经过质量控制和差异表达分析，从每个RNA-seq数据集中筛选出上调与下调基因，作为TRAPT的输入，并对预测结果中的目标TR排名进行评估。研究人员将 TRAPT 与多个主流方法进行了比较，包括以基因集为输入的 Lisa、BART、i-cisTarget 及富集分析方法 ChEA3。评估标准包括命中前10或前N个目标TR的数量，以及整体TR识别表现。结果显示，TRAPT 在识别前10个TR方面比表现第二好的方法（Lisa）高出13%；相较 i-cisTarget 的提升更超过200%。TRAPT 的 AUC 达到 0.643，明显优于其他方法；其平均倒数排名（MRR）为 0.067，也分别比 Lisa 和 BART 提高了18% 和 76%。这些结果表明 TRAPT 在预测 TR 活性方面具备显著优势。不同于以往方法主要集中在 TF 的预测，TRAPT 引入高质量的转录协同因子（TcoFs）与染色质调控因子（CRs）数据，使得其具备更全面的调控因子预测能力。在 TF、TcoF 与 CR 三类子集中，TRAPT 均展现出领先性能。特别是在 TcoF 与 CR 的预测中，Lisa 的表现显著下降，而 TRAPT 仍保持优异结果，说明其在多类调控因子预测上的全面性得益于多阶段融合策略与丰富的数据支持。为了验证 TRAPT 的优势并非仅因数据覆盖度更高，研究人员将 Lisa 和 BART 与 TRAPT 一同使用 Cistrome 数据库的背景数据，并以 KnockTF 数据集为标准重新评估。结果显示，即便在相同背景数据下，TRAPT 的整体表现仍优于 Lisa（提升 30%）和 BART（提升 85.7%）。进一步评估显示，TRAPT 在 TF、CR 与 TcoF 三个类别中的AUC均高于对比方法，其中对 CR 的预测性能甚至比 Lisa 高出 198.4%。此外，研究人员还比较了不同蛋白家族在不同类型数据（如 TR 敲除数据 vs. TR 结合数据）下的预测表现，发现部分家族（如 CP2、RXR-like）在敲除数据上表现更佳，而其他家族（如 zf-C2H2、IRF、THR-like）在结合数据中效果更好。这可能源于转录因子敲除后引发的二级转录调控效应。最后，针对大规模数据整合可能带来的运算时间问题，研究人员比较了 TRAPT 与 Lisa、BART 的运行时间。结果显示，TRAPT 不仅性能优越，还具有更快的运行效率，尤其在单个TR活性预测任务中显著快于其他方法。多阶段融合策略显著提升转录调控因子预测性能为验证多阶段融合策略对 TR 预测的提升效果，研究人员进行了系统的消融实验。TRAPT 中的 U-RP 模型用于模拟靶基因顺式调控元件的调控潜能，捕捉其上下文特异性的表观状态。当移除该模块时，整体性能显著下降，说明其有效表征了输入基因的表观调控特征。D-RP 模型则预测TR在不同条件下对基因组的结合偏好，考虑了调控元件的活性。去除该模块同样导致性能下降，进一步表明结合元件活性对于TR功能建模具有重要意义。此外，研究人员还通过计算TR与远端增强子结合比例，构建了特异性调控潜能模型。去除该TR特异性建模也导致性能下降，显示其对识别不同调控模式具有重要作用。TRAPT 融合多种表观组学特征以预测最终的TR活性。对不同模块性能的深入分析发现，TRAPT-H3K27ac 模型对上调基因集预测更优，而TRAPT-ATAC 模型则更适合下调基因集。当移除所有表观模块，仅保留启动子区域模型时，预测性能显著下降。进一步逐步移除表观模块，整体性能也持续下降，表明TRAPT在多模态特征融合方面具有良好稳定性。知识蒸馏机制在TRAPT中也发挥了重要作用。相比未使用知识蒸馏的模型（NKD），使用蒸馏策略（KD）在 KnockTF 数据集上提升了5.4%，在 Lisa 数据集上提升了7.9%。在top-10 TR预测任务中，KD模型的AUC高出8个百分点，表现显著优于NKD。模型在训练与验证集上的损失值快速下降，且蒸馏策略下 D-RP 学生模型收敛更快、准确率更高，表明知识蒸馏提升了模型稳定性且未引入过拟合。在 D-RP 模型中，研究人员利用 kNN 算法构建TR与表观组学样本之间的连接网络，并以连接恢复任务评估其预测能力。实验结果显示，在验证集中，教师与学生网络的损失值迅速下降，最终在测试集上分别达到 auROC 0.81 与 auPRC 0.84 的表现。即便在最多屏蔽15%边的情况下，模型恢复能力依然稳定，AP 值保持在0.8以上，表明其对缺失连接具有良好的鲁棒性。U-RP 模型的目标是基于基因集与 Epi-RP 矩阵预测顺式调控图谱。训练过程中，其损失值也稳定下降。为解决冗余样本筛选问题，研究人员分析了在不同数量样本下的性能变化。当特征数达到10时，性能提升趋于平稳，与已有研究一致。最后，研究人员比较了TRAPT在预测上调与下调基因集时的表现，发现其对下调基因集的预测更为准确。这一现象也支持了激活因子多于抑制因子的生物学观察。多数 TR 仅具有单一功能，部分如 CTCF、NANOG、FOXA1、ESR1 则同时具有激活与抑制作用。综上，TRAPT 能够准确识别激活型、抑制型及双功能调控因子。TRAPT 在 ESR1 敲低实验中准确识别关键转录调控因子ESR1 是乳腺癌 ER 阳性亚型中的关键转录因子，调控多种与疾病风险相关的下游基因表达。为验证 TRAPT 在疾病背景下识别关键 TRs 的能力，研究人员将其应用于 MCF7 ER+ 乳腺癌细胞中 siRNA 敲低 ESR1 后得到的差异表达基因集。TRAPT 准确预测到 ESR1 在下调基因集中排名第1，上调基因集中排名第17，反映出其在乳腺癌中兼具激活与抑制功能。TRAPT 还识别出与 ESR1 密切相关的多个转录因子、协同因子与染色质调控因子，包括 FOXA1、EP300 和 MED1。其中，GATA3 是哺乳腺细胞命运的重要调控因子，FOXA1 通过调节染色质可及性影响乳腺癌发生发展，EP300 可乙酰化 ESR1，增强其靶基因表达。此外，从 STRING 数据库得到的这些高排名 TRs 之间具有频繁的相互作用；TCGA 和 GTEx 数据的共表达分析也显示 GATA3、FOXA1 和 ESR1 三者之间具有显著相关性，进一步验证了 TRAPT 的准确性。研究人员还分析了 D-RP 分数对 TR 活性的刻画能力。将 ESR1 及其相关 TR 的 D-RP 分数分别作用于目标基因与背景基因集，结果显示其在目标基因集中显著更高（如 ESR1 在 ATAC 和 H3K27ac 模块下的 p 值分别为 3.3e-38 和 8.6e-34）。随着预测排名下降，TR 的重要性逐渐减弱，而排名最末的 HDGF 表现出明显较低的调控潜能，说明 D-RP 能有效区分关键 TR 与非关键 TR。此外，研究人员构建了高低 I-RP 分数的 TR 活性曲线，发现高分组的 TRs 对基因集的信号更强，进一步支持 TRAPT 的预测准确性。考虑到 ESR1 可结合远端增强子（如 ERSE），TRAPT 利用其专属的调控潜能模型对远端调控进行建模。研究人员将增强子分为近端与远端两类，发现预测出的 TR 更倾向于在目标基因附近的增强子区域中结合，而非背景区域。GATA3 和 FOXA1 明显偏好近端区域，ESR1 与 EP300 则未表现出显著偏好。最后，研究人员可视化了 ESR1、GATA3、FOXA1、EP300 和 HDGF 附近的差异表达基因轨迹，发现前四者在目标区域均表现出明显的结合峰，而 HDGF 则缺乏这种特征。这一系列结果进一步验证了 TRAPT 在预测 TF、协同因子及染色质调控因子方面的可靠性和解释力。预测阿尔茨海默病相关的关键调控因子转录因子（TF）结合位点上的遗传变异可能改变其结合能力，进而影响基因表达和细胞功能。为验证 TRAPT 在疾病研究中的适用性，研究人员将其应用于阿尔茨海默病（AD）GWAS 后分析。研究人员利用 MAGMA 工具从 GWAS 汇总数据中获得 AD 相关基因集作为 TRAPT 的输入，并结合细致的精细定位与结合位点共定位分析，识别出一系列被致病变异影响的关键 TRs。在欧洲人群 GWAS 数据的基础上，TRAPT 所预测的前 25 个 TRs 中，有 68.2% 的结合 SNP 来自 AD 因果变异（p = 2.5e-12），而排名后 25 个 TR 的比例显著更低，表明排名越高的 TR 越可能与 AD 密切相关。进一步分析发现，TRAPT 排名前列的 TRs（如 SPI1、RELA、REST）在致病变异上的结合强度高于背景变异。例如，SPI1 与 71 个致病变异发生交集，远高于背景（p = 3.6e-4）。GSEA 统计检验也证实前列 TRs 与因果位点显著富集。通过 FINEMAP 打分和功能注释，研究人员发现 rs10119 为评分最高的 AD 相关变异，与 APOE、TOMM40 和 APOC1 等关键基因相邻，且被多个预测的 TR 所结合（如 REST）。rs10119 位于染色质环结构的关键节点，多个已知 AD 相关的 TR（SPI1、STAT1、HDAC2 等）都在其上下游区域结合，进一步强化了其功能重要性。此外，在 AD 相关的 H3K27ac ChIP-seq 数据中，TRAPT 所选样本的调控区域与 rs10119 高度重叠，说明模型即便不依赖 AD 特异的表观数据，也能选择出具有相似信号的替代样本。识别驱动细胞命运和组织特异性的关键调控因子转录调控因子在细胞命运决定、分化过程和组织特性维持中起关键作用。研究人员进一步将 TRAPT 应用于单细胞转录组数据，以识别血液细胞分化路径中的驱动因子。在人类造血干细胞 scRNA-seq 数据中，TRAPT 成功识别了 42 个潜在关键 TR，其中 29 个已知与造血发育密切相关，10 个在不同分化亚群中呈现显著差异表达。此外，部分 TRs 出现在多个谱系中（如 EP300、SMAD1、SPI1、TAL1），另一些如 STAT4 和 TCF4 则特异性分布于 NK 和 pDC 谱系，具有已知的调控功能。在另一个人类胚胎干细胞数据集中，TRAPT 同样成功识别出 GATA3、TFAP2A、GATA2 等在滋养层细胞中活性增强的 TRs，以及 GATA6、SMAD2 和 EOMES 等在内胚层细胞中活跃的 TRs，这些结果均与既往研究一致。对 GTEx 项目中30种正常人组织的 RNA-seq 数据分析中，TRAPT 利用每个组织的差异表达基因成功预测出特异性调控因子。例如，心脏组织中识别出 MED1、TBX5、GATA4；前列腺中识别出 AR、FOXA1、HOXB13；而乳腺与脂肪组织共享了 PPARG 和 CEBPA。在对预测结果进行层次聚类时，乳腺与脂肪组织、女性生殖系统相关组织（如子宫、卵巢、宫颈）因细胞组成相似而聚类在一起，进一步验证了模型的生物学合理性。讨论转录调控因子（TRs）在调控基因表达、维持细胞稳态和引导发育过程中起着核心作用。TR 介导的转录程序通常具有独特的表观基因组图谱，并在细胞状态变化与疾病发生中充当“开关”。然而，当前针对特定基因集（如差异表达基因、单细胞标记基因）准确预测其上游TR仍面临挑战，主要受限于缺乏覆盖多样细胞类型的TR表观数据。为解决这一问题，研究人员提出了深度学习框架 TRAPT，通过双阶段知识蒸馏提取调控元件的活性表示，整合超过 20,000 个大规模表观基因组样本与全面的TR背景知识库，精准预测上下文依赖的关键TR。在570个TR敲除/敲低数据集上，TRAPT 相较 Lisa、BART、i-cisTarget、ChEA3 等主流方法表现出显著性能提升，成功识别出与疾病、遗传变异、细胞命运与组织特异性密切相关的核心TRs。当前TR预测方法主要分为两类：一类是基于基因集富集分析的方法，如 Enrichr、TFEA.ChIP、ChEA3 和 MAGIC，依赖统计检验评估TR的重要性，但无法模拟TR与顺式元件的真实结合；另一类如 i-cisTarget、BART 和 Lisa，通过模拟TR结合预测活性，但未能充分考虑TR的结合偏好。而 TRAPT 则提出第三种路径，融合基因集的顺式调控特征与 TR 的全基因组结合潜能，通过多阶段融合策略显著提升预测性能。TRAPT 的优势包括：融合式策略解决信息覆盖不全与结合偏好问题：多阶段建模同时考虑上下游调控潜能，填补以往方法中顺式图谱覆盖不全与TR结合偏好未建模的空白；双阶段知识蒸馏增强模型鲁棒性：在 D-RP 阶段引入图变分自编码器（VGAE）与条件变分自编码器（CVAE）作为教师网络，缓解分布不一致问题；在 U-RP 阶段，蒸馏引导学生网络选取最优表观样本，提高数据整合能力；图模型优化全基因组调控潜能预测：尤其适用于样本量有限的数据集，补全表观调控网络中的缺失连接，提高泛化能力。消融实验表明，去除 D-RP、U-RP 或蒸馏机制均显著降低模型性能，验证这些模块的关键作用。同时，在连接预测任务中，D-RP 模型在多种掩码比例下表现稳定，展示出对缺失扰动的鲁棒性。应用层面，TRAPT 成功识别了 ESR1 敲除实验中的 ESR1 及其相关的协同因子 EP300、FOXA1；在阿尔茨海默病研究中，TRAPT 能捕捉到如 SPI1、RELA、REST 等高可信TR与GWAS致病位点（如 rs10119）的共定位；在人类造血干细胞、胚胎干细胞及 GTEx 组织样本中，准确预测出与细胞命运（如 GATA3、STAT4、TCF4）和组织特异性（如 MED1、GATA4、AR）相关的关键TRs。所有结果均从多个角度验证了 TRAPT 在多类任务中的稳定性与通用性。值得注意的是，尽管 TRAPT 整合了 17,227 个TR、1,329 份 ATAC-seq 与 1,465 份 H3K27ac 数据，但部分 TR 仍缺乏对应的表观样本，可能影响模型精度。同时，不同 TR 之间的协同或拮抗机制（如转录因子与协同因子之间的相互作用、染色质调控因子的辅助调控）在目前版本中尚未完全建模。未来可引入基因调控网络与因果推理策略，更系统地模拟调控层级间的复杂交互。整理 | WJM 参考资料Zhang, G., Song, C., Yin, M. et al. TRAPT: a multi-stage fused deep learning framework for predicting transcriptional regulators based on large-scale epigenomic data. Nat Commun 16, 3611 (2025). https://doi.org/10.1038/s41467-025-58921-0

-01- 导读 胰腺癌（Pancreatic Cancer, PC）被称作“癌症之王”，其发病率与死亡率几乎持平，是医学领域最为棘手的恶性肿瘤之一。据最新统计，胰腺癌占欧美新发癌症的3%，80%的患者确诊时已处于局部晚期或转移阶段，5年生存率不足10%。在中国，随着饮食结构改变和老龄化加剧，胰腺癌发病率逐年攀升，但其早期诊断率不足20%，治疗手段长期停滞，患者生存获益极为有限。  为什么胰腺癌如此致命？首先胰腺位于腹膜后，早期症状隐匿，常被误诊为胃炎或糖尿病；其次胰腺癌分子特性复杂，KRAS、TP53等高频突变驱动肿瘤侵袭和耐药；另外还有免疫微环境抑制，致密间质屏障与免疫细胞浸润不足，使传统治疗举步维艰。 -02- 胰腺癌的分子特征 PC的分子特征表现出高度复杂的特性，PC中的高频基因突变包括KRAS（93%）、TP53（72%）、CDKN2A（30%）、SMAD4（32%）、RNF43（7%）、ARID1A（6%）、TGF-βR2（5%）、GNAS（8%）、RREB1（5%）和PBRM1（4%），此外，通过联合分析也发现了其他具有较低发生频率的突变。GATA6、ERBB2、KRAS、AKT和MYC的扩增以及CDKN2A、SMAD4、ARID1A和PTEN的缺失是最常见的体细胞畸变。 在8%的患者中观察到已知易感基因的种系突变，如BRCA1/2、PALB2、TP53、CDKN2A、ATM、PRSS1、STK11、MLH1、MSH2、MSH6、PMS2和EPCAM，在KRAS野生型肿瘤中显著富集。这些肿瘤经常存在RAS-MAPK途径的突变，导致其过度激活。 此外，这些样本中的蛋白质表达谱显示mTOR途径具有高活性。对DNA甲基化的分析，结合mRNA表达数据，显示了几个基因的超甲基化，特别是肿瘤抑制基因或调节因子miRNA的编码基因，其导致随后的表观遗传沉默。 基于PC分子生物学和靶向治疗的特征，近25%的PC患者可能是精准医疗的候选对象。许多基因组改变可以通过特定的药物来治疗。 -03- 胰腺癌治疗现状 胰腺癌主要治疗手段包括手术切除、化疗、放疗等，但治疗效果均不理想。胰腺癌手术切除率低（约20%），根治性切除被认为是胰腺癌治愈的唯一希望，但基于胰腺特殊的解剖关系和胰腺癌特有的生物学行为，手术后5年生存率仅为20%，80%患者在术后2年复发转移，且手术切除创伤大、风险高。 近30年来为数众多的化疗药物成功用于临床，但化疗总体有效率仅为30%左右，且提升很慢，化疗的不良反应也不容忽视。胰腺癌对放疗中度敏感，但由于胰腺解剖位置特殊，周围被胃和小肠等对放疗高度敏感的脏器覆盖，使放射治疗的剂量难以提升到治疗剂量，且不良反应大、风险高。 近年来，靶向及免疫治疗等精准药物疗法的出现，为晚期或转移性的胰腺癌带来了新的治疗方向。目前，美国FDA已经批准4款靶向药物、1款免疫药物用于胰腺癌。 Erlotinib(厄洛替尼)：研究显示，与对照组相比，Erlotinib+吉西他滨组的胰腺癌1年生存率显著增长（24% vs 19%）；无进展生存期显著改善；疾病缓解率显著提高（59% vs 49%）。 Olaparib (Lynparza)：研究结果显示，与对照组相比，Lynparza使gBRCAm转移性胰腺癌患者的无进展生存期延长了近一倍（中位PFS：7.4个月 vs 3.8个月）、疾病进展或死亡风险显著降低了47%。 Larotrectinib (Vitrakvi)：研究显示，对于年龄为4个月至76岁的患者，针对包括胰腺癌在内的17种不同癌症治疗的总体缓解率为75%。 Entrectinib (Rozlytrek)：研究显示，治疗NTRK融合阳性实体瘤（包括胰腺癌）的缓解率达到57%。 Keytruda：2017年5月，Keytruda获美国FDA批准，成为第一个基于微卫星不稳定性高（MSI-H）/错配修复缺陷（dMMR）生物标志物的抗癌药物，用于治疗MSI-H或dMMR实体瘤（包括胰腺癌）患者，无论肿瘤类型如何。2020年，美国FDA再次扩大适应症，批准Keytruda应用于高肿瘤突变负荷的癌症患者（包括胰腺癌）。 -04- 研发前沿：靶向药物与个体化治疗曙光 近年来，针对胰腺癌的创新疗法不断增多，这为胰腺癌治疗提供了新的选择。 1. 靶向治疗：精准打击肿瘤弱点 PARP抑制剂：奥拉帕利是首个获批用于BRCA突变胰腺癌维持治疗的靶向药，III期POLO试验显示其将无进展生存期延长近一倍。 此外，有多种PARP抑制剂，如Veliparib，Rucaparib，Talazoparib，正在进行的单药或与不同药物联合使用治疗晚期PC患者的研究。 KRAS抑制剂：由于KRAS突变在PC中的普遍性，靶向KRAS或其下游通路可能在PC中至关重要。针对KRAS G12C突变的sotorasib已进入II期临床，初步数据展现应答潜力； Claudin18.2靶向药：在CLDN18.2阳性胃癌中验证疗效的抗体药物（如zolbetuximab）正尝试拓展至胰腺癌。  2. 免疫治疗：突破“冷肿瘤”困境 免疫检查点抑制剂：目前，PC免疫治疗的唯一潜在目标人群是微卫星高不稳定性（MSI-H）肿瘤患者亚群，其中pembrolizumab显示了令人满意的ORR。然而，该亚组仅代表一小部分（小于1%）PC患者。 靶向肿瘤微环境：2024 年 ESMO 大会中公布了抗CD39抗体TTX-030一线治疗转移性胰腺癌患者的1期临床试验结果。TTX-030能够阻止免疫抑制性胞外腺苷的生成，研究显示，TTX-030一线治疗转移性胰腺癌中位总生存期（OS）达到19.1个月。  CAR-T疗法：针对MUC1、CEA等抗原的CAR-T细胞在早期试验中显示局部响应，但实体瘤微环境抑制仍是瓶颈；  双特异性抗体（BiTE）：Tarlatamab获批用于小细胞肺癌后，同类药物正探索胰腺癌中的联用策略。      3. 新型药物研发：ADC与细胞疗法并进 ADC药物：靶向uPAR的抗体偶联药物在胰腺癌的临床前研究中展现出有希望的结果； CAR-NK疗法：工程化NK细胞靶向PD-L1或HER2，初步临床前数据显示肿瘤杀伤潜力。 -05- 未来方向：多组学驱动的个性化医疗 胰腺癌的异质性要求治疗策略从“一刀切”转向“量体裁衣”，未来突破将聚焦于： 液体活检技术：通过ctDNA检测动态监控基因变化，指导用药调整； 多组学整合：结合基因组、转录组、蛋白质组数据，绘制个体化治疗图谱； 联合治疗策略：“靶向+免疫”“化疗+代谢调节”等组合可协同克服耐药； 人工智能预测模型：利用AI分析临床与分子数据，优化治疗方案选择。 -06- 结语 胰腺癌的治愈之路虽道阻且长，但分子分型技术的革新与靶向药物的涌现让患者看到希望。随着多学科协作深化、生物技术革新和全球临床试验网络的扩展，胰腺癌的个体化治疗正从“小众探索”走向“主流实践”。相信在我们的共同努力下，“癌王”终将被攻克！ 参考文献： 1.Hacking Pancreatic Cancer:Present and Future of Personalized Medicine. Pharmaceuticals (Basel). 2021Jul; 14(7): 677. 公众号内回复“ADC”或扫描下方图片中的二维码免费下载《抗体偶联药物：从基础到临床》的PDF格式电子书！ 公众号已建立“小药说药专业交流群”微信行业交流群以及读者交流群，扫描下方小编二维码加入，入行业群请主动告知姓名、工作单位和职务。