《The Breast》：A multigene model for response stratification to neoadjuvant chemotherapy in triple negative breast cancer
编辑推荐：
为了准确预测三阴性乳腺癌（TNBC）对新辅助化疗（NAC）的反应，以实现个体化治疗并避免过度毒性，荷兰研究者对2013-2022年间的患者进行了回顾性多中心研究。他们整合临床、病理和转录组学数据，开发并验证了一个31-基因预测模型。该模型在外部验证队列中能以85%的准确率预测获得病理完全缓解（pCR）的患者，为区分可豁免免疫治疗的化疗敏感患者提供了有力工具。
在乳腺癌的诸多亚型中，三阴性乳腺癌（Triple-Negative Breast Cancer, TNBC）因其缺乏雌激素受体、孕激素受体和人表皮生长因子受体2这三种关键的治疗靶点，长期以来一直是临床治疗中的“硬骨头”。化疗，特别是新辅助化疗（Neoadjuvant Chemotherapy, NAC），是目前的标准治疗方案。然而，TNBC患者对化疗的反应呈现出明显的“冰火两重天”：约一半患者能获得病理完全缓解（pathological complete response, pCR），预示着良好的长期生存；而另一半患者则反应不佳，残留的癌细胞导致复发和转移风险居高不下。临床实践中，面对所有患者“一刀切”地应用强效但有毒性的化疗方案，意味着那些注定能获益的患者可能承受了不必要的副作用，而那些注定无效的患者则错失了尝试更有效新疗法（如免疫治疗）的机会。如何在新辅助化疗前，就从茫茫“癌”海中精准识别出那些化疗敏感者，从而为不同预后的患者“量体裁衣”，实施个体化的治疗策略，已成为提升TNBC疗效、减少毒副作用的迫切需求。这项发表于《The Breast》的研究，正是针对这一难题展开的探索。
为了构建预测模型，研究人员采用了一系列关键技术方法。他们首先从荷兰全国病理数据库中筛选了2013年至2022年间确诊的TNBC患者，根据对NAC的反应（pCR且无复发 vs. 残留病灶≥50%且有远处转移）严格定义了“反应良好”和“反应不良”两个极端队列，最终纳入204例患者。对其中78例患者的福尔马林固定石蜡包埋（FFPE）活检组织进行RNA测序，获取转录组数据。核心的预测模型分析采用“留一法”（Leave-One-Out, LOO）设计和最小绝对收缩和选择算子（LASSO）回归，在本研究队列中筛选预测基因。接着，他们将自身队列作为训练集，在一个独立的公开数据集（Loibl等人报告，n=482）中对所得到的基因特征进行外部验证，评估其在新患者群体中的预测效力。统计分析则包括单变量、多变量逻辑回归等方法，以识别与化疗反应相关的独立临床病理学预测因素。
独立形态学与免疫组化预测因子
研究人员首先比较了87例反应良好者与117例反应不良者的临床病理特征。结果显示，与反应不良者相比，反应良好者通常肿瘤更小、临床淋巴结阴性比例更高、组织学亚型为非特殊型、Ki-67表达更高、血管侵犯更少、HER2-0状态比例更高、肿瘤浸润淋巴细胞密度也更高。多变量逻辑回归分析进一步确认，临床淋巴结阴性状态、无血管侵犯、HER2-0状态以及更高的TILs中位密度是NAC良好反应的独立预测因子。
治疗方案
在可获得详细治疗数据的患者中，所有反应良好者都接受了蒽环类和紫杉类药物治疗，而约81%的反应不良者接受了这两种治疗。反应良好者更常接受环磷酰胺、蒽环类药物、紫杉类药物和铂类药物的治疗，在多变量分析中，仅添加环磷酰胺与良好反应独立相关。
新辅助化疗反应类别预测
通过在本研究队列的RNA测序子集（n=78）中应用LOO设计，研究人员建立了一个包含25个顶级基因的预测模型。该模型预测反应不良者的敏感性为71%，预测反应良好者的特异性为83%。通过层次聚类分析，这25个基因的表达谱几乎完美地区分了反应良好与反应不良的样本，仅有一个样本被错误聚类。随后，他们将这25个基因组合成一个“Delta”评分，并加入到包含临床病理特征的多变量模型中发现，临床淋巴结状态、HER2状态和Delta评分仍然是独立的显著预测因子，而血管侵犯和TILs密度则不再是独立的预测标志物。
新辅助化疗反应预测模型的外部验证
为了验证模型的泛化能力，研究团队将其RNA测序子集作为发现队列，提取出一个包含31个基因的预测特征，在Loibl等人的独立数据集中进行验证。在治疗最接近自身队列的B组患者中（接受卡铂联合紫杉醇治疗），使用0.7的预测概率阈值，该模型能以85%的准确率识别出获得pCR的患者。然而，该模型在预测具有残留病灶的患者方面准确性较低（58%）。分析表明，这种差异可能源于两个研究中对“反应不良”患者的定义不同（本研究为残留病灶≥50%，验证队列为所有非pCR）。值得注意的是，在验证队列中，具有广泛残留病灶（RCB-3）的患者无一被错误预测为pCR，表明该模型在识别最具化疗抵抗性肿瘤方面有潜力。
这项研究的主要结论是，所开发的31-基因预测模型能够较为准确地识别出仅凭新辅助化疗就可能获得病理完全缓解的TNBC患者。这对于临床实践具有重要意义。在KEYNOTE-522研究证明在NAC中添加帕博利珠单抗（免疫治疗）可提高疗效的背景下，该模型提供了一种可能，即识别出那些单用化疗就能取得良好疗效的患者，从而考虑避免使用帕博利珠单抗，以减少不必要的、可能严重的免疫相关毒性及医疗支出。此外，研究还发现反应良好者更常具有HER2-0表型，而反应不良者中HER2-低表达肿瘤比例更高，这提示后者可能从抗体偶联药物（如德曲妥珠单抗）中获益。模型中的基因特征揭示了与化疗反应相关的生物学通路，包括细胞因子信号传导、免疫调节和细胞代谢等，为理解TNBC化疗敏感性的生物学基础提供了线索。然而，该研究也存在一些局限性，如回顾性设计、化疗方案的异质性以及对“反应不良”定义的差异影响了模型在外部队列中预测残留病灶的准确性。因此，尽管研究结果令人鼓舞，但进一步的优化和前瞻性验证对于推进其临床应用至关重要。
