癌症药物开发从未如此迅速。然而，对太多患者而言，下一次治疗决策仍始于不确定性。这并非努力的失败，而是证据的缺失。
制药公司已投入数十年时间，致力于开发更具针对性的疗法、更精细的试验和更复杂的分子数据。科学已取得进步，但根本问题仍未改变。当医生面对病情进展的患者时，最重要的问题仍然无解：哪种药物真正适用于这位患者的肿瘤？
超越基因组学：弥合分子洞察与真实治疗结果之间的鸿沟
基因组分析已将肿瘤学推进到相当远的程度。可操作的突变已被识别，靶向疗法已改变多种癌症类型的治疗结果。但基因组学从未设计用来回答那个关键问题。分子图谱提供了潜在脆弱性的地图，但并不确认治疗反应。这一区别并非学术问题，它塑造了每一个治疗决策和每一项临床试验。
肿瘤学药物开发的主导模式建立在平均值之上。试验围绕人群层面的证据设计，药物基于总体反应率推进。该模式已产生重要进展，但基于人群的证据从未设计用来回答最重要的临床问题：哪种药物真正适用于这位特定患者的肿瘤？
基于人群证据的局限性
两位具有相同诊断、相同突变和相同治疗史的患者，可能对同一种药物产生完全不同的反应。这种变异性不是统计异常，而是癌症的生物学特性。肿瘤在治疗压力下进化，适应其微环境，并通过分子测序有时无法捕捉的机制产生耐药性。分析显示，只有少数晚期癌症患者最终从基因组信息指导的治疗策略中受益。问题不在于药物短缺，而在于无法确定哪种药物能对特定患者产生有意义的反应。
站在肿瘤学前线的医生们多年来目睹了这一情况。患者耗尽治疗选择，而可能对他们有效的药物却未能完成开发。这不是管道抽象问题，而是有着姓名和面孔的临床现实。当入组标准建立在不能可靠预测肿瘤实际反应的分子标志物上时，正确的患者被遗漏，错误的患者被纳入。试验失败，时间延长，早期看似有希望的信号在从未真正定义的人群重压下崩溃。行业不断改进流程，但它尚未正视的问题是：流程本身是否就是问题所在。
引入功能性精准肿瘤学
功能性精准肿瘤学引入了一种不同类型的证据。它不是从分子特征推断反应，而是直接测量反应。患者来源的肿瘤样本在体外针对批准药物和组合的面板进行测试，生成基于该患者肿瘤实际行为的敏感性和耐药性定量图谱。当与基因组和转录组数据整合时，这些结果创建了对疾病行为及其反应的更完整图景。关键的是，这些数据可以在活检收到后几天内生成。速度不是一种便利，而是临床和商业要求。在开发决策已经做出后到达的数据对任何人都价值有限。
这不是基因组学的渐进式改进，而是解决基因组学未设计回答问题的补充层面。转变是从预测什么可能有效到验证什么确实有效。分子数据识别候选药物，功能性数据确认反应。医生在治疗决策点获得所需信息，在治疗线开始之前。开发中同样适用这一原则。在临床承诺之前生成的功能性证据改变了决策质量。它使开发团队在投入资金之前，而不是在资金投入之后，从推断转向确认。
从预测到治疗决策中的验证
通过功能性精准平台评估的每位患者都会生成其肿瘤对多种药物和组合反应的结构化数据。单独来看，这些数据为治疗决策提供信息。在患者间汇总，它们变得更有价值。这些数据集揭示了通过传统试验难以捕捉的药物敏感性和耐药性模式，用真实生物证据而非仅靠假设来塑造试验设计。功能性精准数据还为生物标志物发现引入了前瞻性、患者层面的维度，以回顾性试验分析很少能实现的方式，将观察到的反应追溯到分子背景。
从个体洞察到数据智能
功能性精准数据所指导的一些最重要决策不是关于推进哪种药物，而是哪些药物值得重新审视。功能性精准数据不仅为新项目提供信息，还可以恢复停滞的项目。因单一生物标志物无法预测反应而未能推进的药物，并不一定是丢失的资产。当功能性测试揭示真实响应人群时，没有明显前进路径的项目可以被分层、重新定向和推进。这直接回答了肿瘤学药物开发中最昂贵的问题之一：因证据不完整而过早终止的项目。
AI在将复杂性转化为行动中的作用
没有人工智能(AI)，这一切都不可能实现。功能性测试产生巨大数据量。对单个患者的肿瘤在数百种药物和浓度下进行评估，会产生数千个数据点。机器学习系统将这些结果与基因组发现、既往治疗史和已发表证据整合，将复杂的生物数据转化为医生可以采取行动的结构化信息。自动化确保测试环境在样本、站点和操作员之间保持一致。
结果不是AI取代临床判断，而是AI提供的数据使临床判断更加精确。这就是要点：功能性精准肿瘤学为医生提供所需数据，以更好地决定每位患者的护理。对制药公司而言，相同能力支持更精确的试验入组，减少人群异质性，并在后期投资承诺之前提供药物活性的生物证据。
癌症仍然是全球主要死亡原因，每年有超过60万美国人死于该疾病。对于晚期疾病患者，每个决策是即时的，其后果是真实的。制药行业数十年来一直承担着这种不确定性的成本，表现为试验失败、窄幅批准以及在人群中有效但在个体中不可靠的药物。
癌症药物开发的未来
将定义肿瘤学下一个时代的药物不会基于平均值选择。它们将在个体患者的生物学基础上得到验证。这意味着在开发过程的前端整合功能性反应数据，而不是在项目已经受挫后作为后备。这意味着在信号应该更早出现之前，达到更早、更高信心的"推进/不推进"决策。这意味着将功能性验证视为决策支持工具，而非研究练习，为开发团队提供医生在护理点所需的相同清晰度。
制药业既有机会也有动力引领这一转变。问题在于行业是有意朝向该模式移动，还是等到当前模式的成本变得无法证明合理时才行动。
关于作者
Dr Maggie Fader是First Ascent Biomedical（第一高峰生物医药）的首席医疗官。她是一位专注于肿瘤学和精准医学的医生领导者。她的工作重点是将功能性肿瘤反应数据与高级分析相结合，以支持医生决策。她领导在临床工作流程中实施功能性精准肿瘤学并改进复杂癌症患者治疗决策的努力。
【全文结束】