对话梁文华团队：揭秘NSCLC新靶点，点亮个性化治疗之路

非小细胞肺癌（NSCLC）是全球最常见的癌症之一，给无数家庭带来了沉重的负担。尽管近年来靶向治疗取得了显著进展，但药物靶点的局限性和临床试验中的高失败率仍然是重大挑战。为了应对这些挑战，科学家们不断探索新的药物靶点，以期为患者提供更多治疗选择。

广州医科大学附属第一医院梁文华教授团队在《肺癌转化研究》（TLCR）杂志上发表了一篇名为“Identifying genetically-supported drug repurposing targets for non-small cell lung cancer through mendelian randomization of the druggable genome”的文章，为这一努力做出了贡献。该研究运用孟德尔随机化（MR）方法，通过对可药物化基因组的分析，发现了7个与NSCLC相关的候选药物靶点。这些发现不仅为NSCLC的药物研发提供了新的思路，也为实现更加精准的个性化治疗策略奠定了基础。

基于此，我们与该研究的第一作者冯燚进行了深度对话，旨在深入了解这项研究背后的故事，探索科学发现背后的艰辛历程，以及该团队如何克服重重挑战，从海量数据中筛选出这些潜在的治疗靶点，为更多患者带来新的希望。

研究发表截图

研究之始，探索未知

AME：该研究开展的初衷和契机是什么？

冯燚：本研究的初衷是利用孟德尔随机化（MR）方法，通过对可药物化基因组的分析，鉴别出对非小细胞肺癌（NSCLC）具有潜在治疗效用的基因靶点。研究的契机来自目前NSCLC靶向治疗领域的困境，以及MR在药物靶点发现中展现出的前景。

AME：开展这项研究之前，有哪些工作为此奠定了基础？

冯燚：在开展这项研究之前，以下几方面的工作为研究奠定了坚实的基础。

一、全基因组关联研究（GWAS）的应用

基因组学的发展和GWAS的广泛应用，为理解癌症的遗传基础提供了重要的工具。通过GWAS，能够识别与疾病相关的单核苷酸多态性（SNP），这些SNP标志着可能参与疾病发生的基因。然而，GWAS通常无法直接证明基因与疾病之间的因果关系，仅能揭示两者之间的关联，而MR方法的应用则突破了这一局限性。

二、MR方法的发展

MR是一种基于SNP的联系分析方法，可以模拟随机对照试验（RCT）的效果，用于评估暴露因素与结果之间的因果关系。MR利用了基因变异的随机分配特点，减少了传统流行病学研究中常见的混杂因素的影响，从而为推断基因与疾病之间的因果关系提供了更为可靠的依据。MR方法的发展，使得在药物研发中使用基因数据进行靶点筛选成为可能，并且能够为靶向药物的开发提供基因支持的证据。

三、可药物化基因组的概念研究

可药物化基因组的概念提出了人类基因中那些可以成为药物靶点的部分，这些靶点包括已被批准的药物靶点、正在临床试验中的靶点，以及与已知药物靶点相似的蛋白质。

四、NSCLC中的转录组学与蛋白质组学数据积累

在本研究开展之前，已经有大量的转录组学和蛋白质组学数据积累，特别是与NSCLC相关的数据。这些数据为进一步研究提供了丰富的基础。

AME：本次研究有哪些重要发现？这些发现具有哪些独特的价值或意义？

冯燚：通过对可药物化基因组的MR分析，本次研究识别出了7个与NSCLC相关的候选药物靶点。这些靶点分别是：

肺腺癌（LUAD）：CD33、ENG、ICOSLG、IL18R1

肺鳞状细胞癌（LUSC）：VSIR、FSTL1、TIMP2

这些基因在分析中表现出与NSCLC发生、发展之间的潜在因果关系。这7个候选基因靶点不仅为未来的药物开发提供了重要的线索，还均通过了MR分析和转录组学验证，具有较高的潜在临床转化价值。

AME：研究过程中面临了哪些挑战？是如何克服的？

冯燚：在这项研究里，我们确实遇到了不少挑战，包括数据搜集的困难、分析方法的探索、结果的反复验证以及研究设计的复杂性。不过我们还是通过一系列有效策略，成功克服了这些挑战，并最终顺利完成了研究目标。

一、关于数据的多样性与质量控制

挑战：本研究依赖于来自多个来源的基因组数据、蛋白质组数据以及NSCLC的GWAS数据。这些数据具有不同的来源、格式和质量控制标准，数据的多样性增加了整合和分析的复杂性。此外，数据的异质性可能导致结果的不一致或偏差。

应对策略：通过严格的质量控制和数据筛选标准，确保了数据的可靠性和可比性。对于基因组数据和蛋白质组数据，研究者采用了严格的过滤标准，例如只选择显著关联的单核苷酸多态性（SNP），并对其进行系统的校正。此外，还应用了多种统计分析工具，以验证数据的一致性，并使用了多重检验方法（如Bonferroni校正）来降低假阳性率。

二、关于MR的应用复杂性

挑战：MR方法在因果关系推断中具有独特优势，但也面临复杂性，尤其是在处理基因表达和蛋白质水平数据时。MR分析的假设条件（如工具变量的有效性和无效性假设）需要得到严格验证，否则结果可能受到混杂因素或反向因果关系的影响。

应对策略：为了确保MR分析的可靠性，我们使用了多个敏感性分析方法，如MR-Egger回归、Cochran's Q检验和I²统计量分析，以检测潜在的异质性和方向性多效性。

三、关于转录组学和蛋白质组学数据的解释

挑战：虽然转录组学和蛋白质组学数据在研究中提供了宝贵的信息，但如何将这些数据与MR结果进行整合和解释是一个挑战。尤其是，当基因表达水平和蛋白质水平的因果关系结果不一致时，如何理解这些差异成为研究中的难点。

应对策略：通过区分基因表达水平和蛋白质水平的不同生物学意义，解释了结果的不一致性。例如，团队假设某些基因在不同的生物学层次（如基因表达和蛋白质表达）上可能具有不同的调控机制，并通过进一步的转录组学验证和单细胞RNA测序分析来探讨这些差异。此外，研究还引入了单细胞转录组分析，帮助理解这些基因在肿瘤发生和发展中的具体作用。

四、关于临床转化

挑战：虽然研究识别出了多个潜在的药物靶点，但将这些发现转化为实际的临床应用仍然面临挑战。特别是基因靶点的药物开发通常需要大量的时间和资源，而在转化过程中可能会遇到诸如靶点验证、药物设计和临床试验等多方面的困难。

应对策略：在识别靶点时特别关注那些已有药物研发基础或有临床试验阶段药物支持的基因靶点，例如CD33和ENG。通过优先考虑这些靶点，我们希望能够加速研究成果的临床转化。此外，团队还建议在未来的研究中结合功能验证实验，进一步探讨这些靶点的生物学功能和治疗潜力，从而提高转化的成功率。

五、关于数据解释和研究设计的局限性

挑战：MR的结果依赖于所使用的遗传工具变量，因此可能存在无法避免的局限性。例如，MR分析假设的线性关系并不总是与药物的剂量反应曲线一致。此外，MR方法无法全面评估候选靶点的安全性和副作用，这些在实际药物开发中是至关重要的因素。

应对策略：我们意识到这些局限性，并在文章中清晰地阐述了研究的边界条件和未来改进的方向。建议结合传统的RCT和功能研究，以弥补MR分析的不足。此外，还强调了未来需要进一步的独立队列验证，以确保研究结果的可靠性和广泛适用性。

洞见之光，照亮未来

AME：如前所述，研究发现了NSCLC的7个候选可用药基因，它们需要满足哪些条件才能被认为是潜在的药物靶点？

冯燚：为了被认为是潜在的药物靶点，这些基因需要满足几个关键条件。

第一，因果关联性：候选基因必须在MR分析中表现出显著的因果关系。

第二，基因与蛋白质水平的双重验证：候选基因不仅需要在基因表达（eQTL）水平上表现出因果关系，还需要在蛋白质水平（pQTL）上显示出类似的效应。

第三，生物学功能的合理性：我们通过转录组学和单细胞RNA测序验证了这些候选基因在肿瘤中的表达模式，以及它们在不同组织和细胞类型中的表达差异。

第四，临床可行性与药物开发潜力：候选基因还需要具备一定的临床可行性。例如，我们特别关注那些已有临床药物开发或研究背景的基因（如CD33和ENG），因为这些基因更容易在现有的药物研发管线上得到进一步探索。

AME：这些候选可用药基因的表达水平如何与NSCLC患者的预后相关联？

冯燚：在本篇文章中，预后分析使用了来自The Cancer Genome Atlas（TCGA）数据库的RNA测序（RNA-seq）数据。具体来说就是，我们利用了LUAD（肺腺癌）和LUSC（肺鳞状细胞癌）的转录组数据，以及与之对应的患者生存信息。我们将每个候选基因的表达量按照其在患者样本中的中位值（median value）进行分组，然后再使用Kaplan-Meier方法绘制生存曲线。

AME：通过这项研究，团队得到了怎样的锻炼，有了哪些收获？

冯燚：通过这项研究，我们收获满满，感觉像是经历了一场全方位的成长之旅。

首先是在科研能力方面，我们的多学科交叉能力得到了大幅提升。这项研究涉及基因组学、转录组学、蛋白质组学等多个层面的知识。我们通过跨学科合作，提升了在多个研究领域中的综合应用能力，特别是在数据整合和分析方法的创新应用的解决上取得了重要进展。在数据处理和分析技术上也均得到了锻炼，尤其是在处理GWAS summary data数据方面。

其次是在研究的设计和实施方面，我们对于复杂项目的管理能力也得到了显著提升。这项研究需要整合来自多个数据库的异构数据，进行多步骤的分析和验证，并协调多方资源和团队成员。

此外，这次研究还极大地促进了我们的团队合作与沟通能力。通过这项研究，我们在跨学科沟通、协作和问题解决方面积累了丰富的经验，学会了如何在多学科背景下进行有效地协作，从而提升团队整体的研究效率。

更重要的是，我们的临床转化思维也得到了增强。通过筛选和验证与非小细胞肺癌相关的候选药物靶点，我们对基础研究如何转化为临床应用方面得到了深入理解。特别是在如何将基因和蛋白质数据转化为可行的药物靶点、如何设计有效的临床试验等方面，积累了宝贵的经验。

最后，我们的科研产出与学术影响力也得到了显著提升。研究的成果在权威学术期刊上的发表，不仅是对我们工作的认可，也为我们未来的深入研究提供了强大的动力。

AME：基于这项研究，您和团队接下来有哪些进一步的研究计划或方向？

冯燚：基于这项研究成果，我们团队接下来的研究方向可能包括但不限于：

一、验证和功能研究

尽管本研究通过MR方法识别了7个候选基因作为潜在药物靶点，仍需要在实验室环境中进一步验证这些基因的功能。

二、药物开发与筛选

小分子药物筛选：开发或筛选针对这些候选基因的特异性小分子抑制剂或激动剂，评估它们在NSCLC模型中的疗效。

药物再利用研究：考虑到部分候选基因（如CD33和ENG）已有相关药物在开发或临床试验中，我们后续可以探索这些药物在NSCLC中的适应性使用，或设计联合用药策略以提高疗效。

三、生物标志物开发

通过对这些候选基因表达水平与患者预后之间关系的深入研究，可以开发新的生物标志物，用于预测NSCLC患者的治疗反应和预后。

四、肿瘤微环境研究

本研究中的部分候选基因（如VSIR和IL18R1）与免疫调节密切相关，可以进一步研究它们在肿瘤微环境中的作用

五、多组学数据整合与个性化治疗

通过整合更多的组学数据（如转录组、蛋白质组、代谢组等），可以进一步探讨这些候选基因在NSCLC中的作用，以及它们在不同患者亚群中的表现差异。

第一作者：冯燚

广州医科大学附属第一医院/广州呼吸健康研究院，硕士，导师梁文华教授。累计发表SCI论文14篇，其中以第一/共同第一/通讯作者在Eur J Nucl Med Mol Imaging等期刊发表SCI论文6篇，累计总影响因子90+，曾获ESMO Merit Award，含南山医学奖学金等10余项奖学金，获得优秀研究生等多个荣誉称号。