基于基因组学的个性化癌症治疗能否提高生存率？

基于基因组学的个性化治疗真的能提高生存率吗？

是的，但仅限于那些实际接受了与自身肿瘤基因图谱匹配治疗的患者。最有力的证据来自一项针对胰腺癌的III期随机试验，患者被分配接受标准治疗或精准医疗方案（包括全外显子组测序及基于患者衍生模型的药物检测）。在意向性治疗分析中，两组生存期无显著差异（中位生存期8.7个月对比8.6个月）[1]。然而，在四名实际接受了个性化治疗的患者中，中位生存期跃升至19.3个月——超过平均水平的两倍[1]。这表明该方法在能够实施时确实有效，但许多患者始终未能走到这一步。

一项针对原发灶不明癌症（CUP）的研究采用名为OncoNPC的机器学习分类器，通过基因组数据预测癌症起源。若患者的首次姑息治疗与预测的癌症类型相匹配，其死亡风险显著降低（风险比为0.348，即风险降低65%）[2]。该工具还识别出比以往多2.2倍的可接受基因组指导治疗的患者[2]。在转移性乳腺癌中，一项回顾性研究发现，接受基于二代测序（NGS）匹配治疗的患者一年生存率为62.9%，而未接受者仅为22.7%[4]。这三项研究采用不同方法、针对不同癌症类型，均指向同一结论：根据肿瘤基因组特征匹配治疗方案，可显著延长接受匹配治疗患者的生存期。

为何并非人人受益？实际障碍巨大。

最大的障碍在于，许多患者即便接受了基因组检测，也始终未能获得匹配的疗法。在胰腺癌试验中，精准医疗组的81名患者里仅有4人（约5%）实际接受了个性化治疗[1]。原因包括病情快速恶化、检测结果延迟，以及大多数肿瘤缺乏可靶向突变——在完成测序的样本中，仅21.5%存在潜在可靶向的基因变异[1]。这意味着对许多癌症（尤其是胰腺癌这类侵袭性强的癌症）而言，利用基因组信息采取干预的时间窗口极为有限。

即使发现了可操作的基因突变，构建个性化模型（如小鼠替身或类器官）的流程耗时较长，而晚期患者往往等不起。同一项试验中，仅20%的患者成功建立了实验模型[1]。一项乳腺癌研究发现，尽管87%的患者存在潜在可操作的基因变异，但在被推荐接受匹配治疗的患者中，实际只有约三分之一真正接受了治疗[4]。因此，治疗组所展现的生存获益是真实的，但这仅适用于少数患者——而挑战在于如何让这一方法更快速、更广泛地应用。

哪些新工具让个性化治疗更切实可行？

两项最新进展正在帮助克服这些障碍。首先，机器学习如今仅凭基因组数据就能预测癌症的起源，这对原发灶不明的癌症尤其有用。OncoNPC分类器在高置信度预测中达到了94.2%的准确率，并识别出那些本可能被拒绝接受标准治疗、但实际上能从中获益的患者[2]。这是一种相对快速、低成本的治疗指导方法，无需构建动物模型。

其次，2025年的一项研究开发了一种药物推荐系统，该系统利用肿瘤微环境和药物指纹图谱来预测哪些药物对特定患者有效。该模型在训练数据中达到了0.914的相关性，并成功预测了真实患者数据中6个月的无进展生存期（AUC = 0.793）[5]。尽管仍处于早期阶段，但这种计算方法最终可能帮助医生比等待实验室检测更快地选择合适的药物。此外，一份病例报告显示，针对肺癌中MET外显子14跳跃突变的简单基因组检测，使患者在使用靶向药物卡马替尼后实现了3年病情稳定[3]，这表明即使单基因检测，在找到正确突变时也能带来变革性效果。

关于这些来源

该回答基于5篇经同行评审的研究——发表于2021年至2025年间，其中3篇为2024年或之后发表，3篇发表于Q1期刊，累计被引用128次——这些研究是从6篇通过质量筛选的研究中选出的最相关成果，而后者又源自从超过5亿篇论文数据库中检索到的100篇文献。

本文引用的文献

相关研究问题