Science子刊：高强/孙怡迪/周虎团队使用患者来源类器官揭示肝癌药物蛋白基因组学特征
(资料图片仅供参考)
作为全球第六大常见癌症，原发性肝癌是第三大致死恶性肿瘤，其中肝细胞癌（HCC）约占 85%，其次是肝内胆管癌（ICC）和肝细胞胆管细胞混合癌（CHC）。大多数患者在确诊时已处于晚期，可用的治疗方法有限，治疗效果不佳。近年来，靶向和免疫治疗的应用使得肝癌患者生存率得到提高。但是，已获批的肝癌靶向药物多为多激酶抑制剂，包括一线治疗药物索拉非尼和仑伐替尼，二线治疗药物瑞格非尼和卡博替尼，受限于肿瘤异质性及生物标志物的缺乏，肝细胞癌患者对治疗应答率较低，且很难通过基因组学预测患者的药物敏感性，使得适用患者选择成为一项重大挑战。
复旦大学附属中山医院樊嘉院士、高强教授团队联合中科院药物研究所周虎团队、中科院分子细胞科学卓越创新中心高大明团队开展了一系列中国人肝癌的蛋白质基因组学研究，相关成果发表于 Cell、Cancer Cell 和 National Science Review。不同于以往基于突变或转录组学的肝癌分子分型的特征不明，蛋白基因组分型将肝细胞肝癌分为代谢驱动型、微环境失调型和增殖驱动型，胆管细胞癌分为炎症型、间质型、代谢型、和分化型 ，这些分子分型与代谢紊乱、异常信号通路激活、基因组不稳定、肿瘤微环境、以及患者预后密切相关。除了肝癌组织，团队还揭示了癌旁正常邻近组织的蛋白组异质性，与肝癌预后和术后复发转移息息相关。研究揭示了不同分子分型的预后差异并鉴定了不同分型肝癌的分子靶标，为肝癌精准分子分型和个性化治疗提供了新策略。为了进一步实现肝癌精准用药疗效预测，建立能够复刻肿瘤分子分型特征的临床前模型以及获取相应的药物组学信息，是当前肝癌转化医学和药物开发的前沿难题之一。
近日，复旦大学高强教授课题组联合中国科学院脑科学智能技术卓越创新中心孙怡迪课题组、中国科学院上海药物研究所周虎课题组，在Science子刊Science Translational Medicine上发表了题为：Pharmaco-proteogenomic characterization of liver cancer organoids for precision oncology的研究论文。
该研究对65个肝癌患者来源类器官（PDO）模型进行了全面的药物蛋白基因组学分析，基于蛋白质组学的特征建模重现了肝癌组织的蛋白基因组学分子分型，实现药物反应的高精准预测并评估了潜在的药物联合治疗方案，为临床患者选择和药物联合治疗提供指导。
在这项研究中，研究团队使用手术切除的组织建立了65个患者来源的肝癌类器官生物样本库（LICOB），包括三种主要类型的原发性肝癌即HCC、ICC和CHC，以及一种罕见的肝母细胞瘤。通过基因组（体细胞突变和拷贝数变异）、表观基因组（DNA甲基化）、转录组和蛋白质组在内的多组学分析证明，LICOB保留了不同肝癌类型的组织学和分子特征以及肿瘤内异质性。根据多组学分子分型，LICOB 被分为4个亚型，即L-ICC（ICC主导型）、L-PL（增殖主导型）、L-LM（脂质代谢途径主导型）和L-DM（ 药物代谢途径主导），后三类的特征与之前报道的基于 HCC 组织的蛋白组学分型结果相似，并且与患者预后相关。相比之下，肝癌细胞系模型主要表现出增殖特征，提示肝癌类器官是重现肝癌分子亚型多样性的有力模型。
为了探索肝癌类器官生物样本库（LICOB）是否可以作为发现肝癌新治疗靶点的研究平台，研究者探索了四种LICOB亚型蛋白表达特征，发现戊糖磷酸途径中的限速酶葡萄糖-6-磷酸脱氢酶（G6PD），在L-DM亚型中显著升高，并且与MYC扩增和NRF2表达上调有关。进一步敲低G6PD或者应用G6PD抑制剂能够减少NADPH和GSH等代谢物的生成导致氧化还原稳态失调进而抑制L-DM亚型类器官的生长，表明MYC扩增可能通过NRF2激活G6PD的转录，进而增强戊糖磷酸途径来支持细胞生长和抗氧化防御，以增强氧化应激下的肿瘤细胞的存活和进展。这些结果明确了靶向G6PD的临床治疗价值，肯定了类器官模型整合多组学数据驱动肝癌治疗靶标发现的可行性。
为了进一步实现肝癌类器官生物样本库（LICOB）对药物预测的价值，研究者开发了一个利用多组学数据预测药物反应的模型，其预测的耐药性或敏感性特征与药物作用机制密切相关。研究团队发现Tivantinib（一种选择性c-MET抑制剂）的药物响应与MET激活所需基因的上调有关，而不是与MET本身的表达相关，这与之前的临床研究一致 。此外，LICOB数据还可以成功预测一些研究的耐药机制，例如，仑伐替尼（一种治疗不可切除肝细胞癌的一线药物）耐药与EGFR酪氨酸激酶抑制剂耐药途径相关蛋白的高表达水平呈正相关，与相关基因的DNA甲基化呈负相关，进一步支持LICOB作为研究耐药机制的有力模型。这些结果表明基于LICOB的预测结果与临床信息和潜在药物响应机制之间具有良好的相关性，因此LICOB类器官是预测药物反应的可靠模型。
药物联合治疗可以有效克服单一药物的局限性和耐药性，获得更持久有效的疗效，在临床前模型中准确评估潜在的联合用药组合至关重要。研究者开发了一种基于弹性网络的机器学习算法，使用LICOB的多组学数据集来预测有效的药物组合，发现仑伐替尼与mTOR抑制剂替西罗莫司联合的协同治疗效果，在体外类器官模型、类器官移植瘤模型（PDOX）和患者来源移植瘤（PDX）模型中均得到验证。与单独使用两种药物相比，仑伐替尼和替西罗莫司联合用药治疗表现出明显更强的抑制肿瘤生长的作用，这表明由LICOB的药物蛋白质组学数据预测的药物组合方案有望实现良好的临床转化。
此外，研究团队开发了一个交互式门户网站（http://cancerdiversity.asia/LICOB/）以实现类器官数据的分析和探索，使肝癌类器官生物样本库（LICOB）所产生的药物蛋白质组数据充分服务于生物医学、转化研究和临床探索，有助于推动功能性精准医学的临床转化。
