算法辅助的个体化治疗设计在三阴性乳腺癌小鼠模型中改善存活率

为什么更聪明的化疗很重要

化疗能挽救生命，但目前仍大多以“千篇一律”的方式给药：具有相似癌症的患者通常在相同时间表上接受相同剂量的药物。这可能导致部分患者承受严重副作用，而另一些患者获益不足。本研究提出了一个简单而有力的问题：如果我们能像恒温器调节房屋供暖那样，利用计算机算法实时为每位患者调整化疗剂量，会怎样？在一种侵袭性乳腺癌的高级小鼠模型中，研究人员表明，这种个体化剂量调整可以延长存活期并限制耐药性的产生。

常规抗癌药物方案的问题

如今，许多患者接受他们所能耐受的最高剂量化疗，并按固定间隔给药。这种所谓的最大耐受剂量方案没有考虑肿瘤的生长速度、患者体内对药物的代谢或肿瘤随时间的反应。因此，肿瘤可能最初缩小但随后以更耐药的形式复发，而患者必须承受强烈的副作用。早期试图改进的做法，例如采用更小更频繁剂量的“节律化”化疗，在临床试验中结果喜忧参半，也未明确指出如何最佳选择剂量与时间安排。显然需要一种更合理、个体化的化疗排程方法。

用算法来定制治疗

研究团队在带有三阴性乳腺肿瘤的小鼠身上应对了这一挑战。三阴性乳腺癌在人类中尤为难治，仍几乎完全依赖化疗。小鼠接受了一种广泛使用的药物制剂——聚乙二醇化脂质体阿霉素治疗。研究中没有仅在肿瘤再次长到预定大小时重复高剂量给药，而是构建了描述肿瘤生长、在治疗下消退以及药物在血液中动力学的数学模型。接着将简单且临床可行的测量数据喂入模型：反复的肿瘤大小读数和血中药物浓度。基于这些输入，计算机算法为每只小鼠生成了个性化的治疗计划。

让计算机提供帮助的两种方式

研究测试了两种算法辅助治疗设计的方式。在一种称为PDPK的方法中，计算机使用早期数据设计了为期30天的方案，采用相对较小的重复剂量，旨在使血药浓度保持稳定但较低——足以控制肿瘤但又足以限制毒性。在第二种称为模型预测控制的方法中，算法根据最新的肿瘤测量每日更新计划，调整剂量大小以稳步压低肿瘤。两种方法都基于相同的基本思想：使用肿瘤携带小鼠的现实“数字孪生”提前模拟多种可能的给药模式，并在安全限制下选择最有可能效果最好的方案。

更长的存活期和更少的耐药

当研究团队将这些算法指导的方案与标准的高剂量、肿瘤触发给药方案进行比较时，差异显著。在常规疗法下，肿瘤常常最初急剧缩小但最终复发，反复大剂量给药促使耐药性疾病出现。相比之下，大多数算法设计的治疗方案对肿瘤的控制更为紧密，延长了复发前的时间，并且在许多情况下在研究期间未出现明显的耐药迹象。在数十只小鼠中，PDPK和模型预测控制组的存活期均明显长于接受标准方案的动物，若干基于算法的策略显示出强烈且具有统计学意义的生存获益。

这对未来患者可能意味着什么

尽管该研究是在小鼠身上完成的，但其关键要素——测量肿瘤大小、监测血中药物浓度以及运行计算机模型——在使用现代影像学和实验室工具的人类患者中已可实现。研究表明，与其问“标准剂量是多少？”，医生未来或可问“鉴于该患者肿瘤的行为和药物处理情况，现在哪种剂量与给药时机最合适？”仍存在一些实际障碍，例如需要更频繁的测量和灵活给药的物流问题，但结论明确：化疗不必粗糙和统一。在算法的帮助下，它可以成为一种更精确、可调整的工具，为患者提供更好地长期控制侵袭性癌症的机会。

引用: Gombos, B., Léner, V., Drexler, D.A. et al. Algorithm-assisted individualized therapy design improves survival in a mouse model of triple-negative breast cancer. npj Precis. Onc. 10, 84 (2026). https://doi.org/10.1038/s41698-025-01245-5

关键词: 个体化化疗, 三阴性乳腺癌, 算法辅助治疗, 数学肿瘤建模, 阿霉素剂量