郑媛婷，傅肖依，石乐明,2

(1 复旦大学生命科学学院药物基因组学研究中心，上海 200438,zhengyuanting@fudan.edu.cn；2 复旦大学附属肿瘤医院肿瘤研究所，上海 200438)

1 精准医学研究中的个体性与群体性

精准医学的概念源自2011年美国国家研究理事会的报告“迈向精准医学：构建生物医学研究知识网络和新的疾病分类体系”[1]。精准医学旨在大样本研究获得疾病分子机制的知识体系基础上，以生物医学特别是多组学数据为依据，根据患者个体在基因型、表型、环境和生活方式等各方面的特异性，应用现代遗传学、分子影像学、生物信息学和临床医学等方法与手段，制定个性化的精准预防、精准诊断和精准治疗方案。

精准医学是现代医学发展与生命科学技术进步的必然结果，特别是基因组测序、定量蛋白质组学、高灵敏度代谢组学等新一代生命组学技术的进步，增加了人们对疾病认知的新方法、新维度，产生了包含健康及疾病档案，分子水平多组学指标，行为学、社会学及环境因素等多层次、多类型的生物大数据。通过有效地获取、融合、解读、利用这些生物大数据，获得对疾病的病因、诊断、治疗、预后更为精准的认识，制定个性化的精准预防、精准诊断和精准治疗方案，从而优化临床诊疗效果，减少无效、有害和过度医疗[2]。这是生物大数据最具应用前景的领域之一，也为人类医疗健康服务指出了全新的发展方向。

精准医学的发展，需要累积大量异质性的数据，而大数据挖掘的最终结果，是要发现疾病的个性化特征，制定个性化的疾病预防诊治方案。精准医学研究的过程，正是对疾病的个体性与群体性这一对哲学范畴的辩证思考。疾病的个体性可以解释为针对传统医学定义的一种疾病(比如肺癌)，可以通过对患者多组学数据的深入挖掘与分析，发现不同患者身上所存在的不同的个性化特征，比如EGFR基因突变、PIK3CA基因突变、MET基因扩增等，从而采用不同的治疗方式。而对疾病的群体性的认知，则体现为通过对大量具有特定基因突变的患者(如EGFR突变)，从疾病分子特征、治疗反应、生存预后等信息进行归纳与总结，定义一种全新的疾病分类，如EGFR突变驱动的肿瘤。精准医学研究正是体现了疾病个体性与群体性的对立统一，在不断挖掘个体特征的基础上形成新的群体分类体系。

对疾病的个体性和群体性认知体现在精准医学研究的不同阶段。比如对于单基因罕见病的研究，可以从个体的患者开始，通过对患者开展全基因组测序等深入研究，发现疾病的遗传学本质并且探索相应的治疗方法，这一阶段的重点在于积累针对个体病因诊断和治疗的经验。当“个体经验”积累到一定程度的时候，量变便变成了群体的聚变，形成针对相同病症的单基因罕见病的临床诊疗规范。从精准医学研究的个体性到群体性的转变中，必须准确理解精准医学的各个发展环节，一方面，允许精准医学第一阶段对病患个体的精准诊疗探索，促进对疾病的全方位认知和精准诊疗经验的累积；另一方面，促进精准医学第二阶段对病患群体的诊疗标准和规范的建立，尽快造福更多的患者，从而最终建立精准医学的临床应用体系。

2 精准医学时代需要建立全新的新药研发和个性化用药模式

精准医学临床实践的重要出口是药物，加速个性化药物的研发、实现临床个性化用药，才能真正贯彻精准医学的理念。而当前新药研发的现状是，从候选化合物筛选到完成Ⅲ期临床试验后上市，成功率可能仅有万分之一；药物从进入Ⅰ期临床试验到最后上市的总体成功率只有11%，其中抗肿瘤药物的成功率仅为5%[3]。药物上市后在真实世界的应用中，还可能由于患者的个体遗传差异而导致严重的药物不良反应，甚至造成药物的撤市。而对于接受药物治疗的患者来讲，很多药物的临床有效率低，临床广泛使用的药物总体有效率约为50%，其中抗肿瘤药物仅为23%[4]，而许多患者不但不能从药物治疗中得到益处，而且还要承受不良反应的痛苦。

精准医学的发展，需要我们重新审视并优化当前的新药研发管线[5]。如临床前候选化合物的筛选，选择的药效学或安全性的评价指标比较单一，无法全面预测药物对人体的作用。而对于决定药物能否上市的临床试验而言，其研究结论是建立在大量患者用药后的群体统计学规律的基础上，对于用药患者个体来讲，存在有效或无效的双重可能性。生命组学和大数据分析技术的进步，为全面认识药物和患者机体的相互作用提供了全新的视角和方法。一方面可以增强对药物作用的系统性、全局性认识，有助于优化现有新药研发管线；另一方面也增加了对于患者遗传背景和疾病特征的认识，促进药物的临床个性化应用。笔者从以下几个方面介绍精准医学时代全新的新药研发和个性化用药模式。

2.1 个性化靶标与药物发现

靶向药物的研发和应用，是精准医学临床实践的成功案例。以肺癌的靶向药物研究为例，截至目前，已发现的肺癌驱动基因包括 EGFR、KRAS、PIK3CA、BRAF基因突变，MET、HER2基因扩增，ALK、ROS1、RET基因融合等。针对这些驱动基因研发的靶向药物，对具有相同驱动基因突变的患者疗效显著。近十年来，靶向治疗使晚期肺癌患者中位生存期显著增加2.4倍，从此前的14.1个月延长至33.5个月；五年生存率从8%增长到18%[6]。对非小细胞肺癌驱动基因的发现及靶向治疗药物的出现，已经完全改变了非小细胞肺癌原来的分型和治疗方式。精准医学研究有望在更多的疾病领域实现精准分子分型，同时为靶向药物的研发提供更多的个性化靶标[7]。

对单基因罕见病的深入研究，也为新药研发领域提供了更多个性化的药物靶标。囊肿性纤维化是因为控制肺、胰腺和其他内脏氯化物的蛋白泵(以下称“氯泵”)不能正常工作所致。当前，全球有约7万名囊肿性纤维化患者。有许多分子路径可以导致囊肿性纤维化，针对这些分子路径研发药物，可以恢复氯泵的正常功能，从而治愈疾病。福泰制药(Vertex Pharmaceuticals)已经开发出一种药物“Kalydeco”，能够极大提升氯泵功能，是针对特定基因突变开发精准药物的成功应用实例。

个性化靶标的发现，使药物治疗变得越来越精准，但药物的受益人群却越来越少，市场空间相对有限，因此价格也十分昂贵。如何平衡患者受益与制药公司利益之间的关系，为个性化药物的研发提出了新的命题，也需要政府或者公益组织积极参与承担研发企业的风险。

2.2 基于组学大数据的药物调控网络与机制

随着基因组学、转录组学、蛋白质组学、代谢组学等多组学高通量技术的发展，可以从全基因组水平挖掘药物对细胞调控网络的影响。在新药研发早期引入高通量组学研究平台，对于全面理解药物作用的机理、有效性以及潜在的安全性问题非常重要。美国国立卫生研究院(NIH)资助建立的CMAP(Connectivity Map)和LINCS项目(Library of Integrated Network-based Cellular Signatures)，旨在系统研究药物处理细胞后的全基因组范围内的基因表达变化。项目系统收集了使用小分子化合物及其他外界刺激处理人肿瘤细胞系的基因表达数据，并挖掘出了药物特异性的基因表达变化特征谱。通过未知化合物的基因表达谱与LINCS数据库比对，可以快速发现未知化合物的作用机理，全面了解药物的作用特征，辅助新药研发管线的决策制定[8-9]。

随着靶向药物研发的兴起，肿瘤驱动基因突变与药效学作用之间的相互关系越来越被关注。2012年，英国Sanger Institute和美国Broad Institute分别建立了整合大量细胞系和化合物建立的“肿瘤体外药敏筛选基因组学研究平台”，即肿瘤基因组计划(Cancer Genome Project, CGP)和肿瘤细胞系百科全书(Cancer Cell Line Encyclopedia, CCLE)[10-11]，通过对大量药物在多种肿瘤细胞上的药敏数据和肿瘤细胞系的基因表达和突变谱进行融合挖掘，发现与药效敏感性相关的基因表达或突变的生物标志物，有助于对药物作用机理的全面评价，辅助新药研发的决策，同时也为临床试验患者的筛选提供依据。

2.3 伴随新药临床试验的药物基因组学研究

药物基因组学(Pharmacogenomics)是基因组学与分子药理学交叉的一门新兴学科，以药物疗效和药物安全性为研究目标，研究遗传因素对药效和安全性的影响，为患者提供最佳药物及用药方法。药物基因组学是精准医学可以快速实现临床转化、解决临床重大需求的现实出口。但是，目前美国FDA审批通过的用于伴随诊断的生物标志物与药物的组合数仅160多个，远不能满足个性化用药的需求。

因此，如何在新药研发阶段充分利用新药临床试验的宝贵队列和可靠临床表型信息，通过基因组学、转录组学、蛋白质组学、代谢物组学等多组学研究，一方面，深入研究药物对人体的作用机制；另一方面，挖掘出与药物疗效、毒性相关的生物标志物，对实现药物的临床个性化应用十分重要。此外，开展生物标志物驱动的临床试验，也可能加快临床试验的进程、提高新药临床试验的成功率。一个成功的案例是治疗乳腺癌的曲妥珠单抗(赫赛汀)，其临床试验入组选择HER2过表达的乳腺癌患者，Ⅲ期临床只用了200多例患者即获得美国食品药品监督管理局(FDA)的批准上市。曲妥珠单抗临床试验的成功表明生物标志物驱动的临床试验，有可能入组更少的受试者，取得更好的临床试验结果。

2014年，美国癌症研究协会(American Association for Cancer Research，AACR)提出了两种创新临床试验方法，即篮式试验(Basket Trial)和伞式试验(Umbrella Trial)。篮式试验是将带有相同驱动基因的肿瘤患者采用同一药物进行治疗，可能涉及不同组织部位的肿瘤患者。伞式试验是把具有不同驱动基因(如KRAS、EGFR、ALK)的同一肿瘤(如肺癌)的不同患者，采用不同驱动基因所对应的靶向药物进行治疗。篮式试验和伞式试验是精准医学中两种重要的临床实践途径[12]。

2.4 N-of-One精准医学案例研究

伴随新药临床试验的药物基因组学研究有助于发现患者用药后的群体规律与特征；但是对于单个患者而言，除了符合群体规律，还具有基因、表型、环境等方面的个性化因素，精准医学的最终实现还是需要在患者个体层面上满足患者个性化的治疗需求。如何针对单个患者开展“N-of-One”的疾病诊断与治疗研究，已经成为精准医学时代的新需求[13-14]。这涉及患者个体的临床表型、环境因素、多层次组学数据，如何解析和应用这些丰富的信息，需要综合医学、生物信息学、遗传学等多学科知识，深入挖掘患者多层次的临床、组学数据，并结合患者的疾病表型作出综合的诊疗判断。

作为美国精准医学计划的重要组成部分，美国国家肿瘤研究所(National Cancer Institute, NCI)启动了特殊反应者研究计划(Exceptional Responders Initiative)。该研究选择在新药II期临床试验或已上市药物在临床使用过程中的特殊反应患者，进行深入的多组学研究。所谓特殊反应者，是指某些肿瘤患者对某种药物反应特别敏感，而大多数患同样肿瘤的患者对药物没反应。通过对特殊反应者进行测序及多组学分析，以期找到特殊药效反应的分子解释，有助于揭示靶向治疗药物对小部分人群有效的分子基础[15]。因此，积极开展N-of-One的精准医学研究，实现从个体经验向小量患者人群的临床应用推广，是加速精准医学临床实践的主要途径。

此外，要解决N-of-One精准医学的临床应用，另一个瓶颈问题就是面对大量的基因变异，无法实现快速、准确、标准化的解读。但是，现有生物医学研究体系已经建立的“疾病-基因-变异-药物”之间的全关联知识非常有限，无法满足对患者多层次组学数据解读的需求，即便发现了致病变异，也难以得到有效的治疗药物。因此，亟待建立大规模标准化的整合生物样本、临床数据、生命组学数据的国家级大数据共享平台，融合挖掘多层次的生物大数据，加速生物标志物的发现及“疾病-基因-变异-药物”知识网络的构建，从而指导临床实践。

3 全新的新药研发和个性化用药模式的瓶颈与挑战

精准医学的发展给新药研发和个性化用药带来前所未有的机遇，但要真正实现生物大数据向临床应用转化还存在诸多挑战，包括大数据标准的缺乏、监管体系的不完备以及新形势下伦理学的局限。

3.1 生物大数据的质量控制与标准化

可重复性差，是许多科学研究成果难以实现临床转化的瓶颈，而以高通量生命组学数据为基础的精准医学更是如此。生物大数据的质量控制和标准规范的制定是实现数据整合和挖掘的重要先决条件。所有高通量组学技术本身都存在一定的错误模式和系统偏差，因此，这些技术错误所造成的实验结果可能会以一种看似有趣的生物学现象(即假阳性)呈现在研究者的面前。

组学数据可重复性低的原因有很多，虽然样本随机处理以及对实验人员操作过程中进行双盲实验设计等方法能够增强数据的可靠性，但是，组学研究系统的复杂性大大超出了已有的科学实验设计模式。因此，从实验设计到数据分析整个体系的质量控制和标准规范显得尤为重要。通过开发标准样本，建立组学数据产生和分析的标准操作流程，基因芯片和新一代测序质量控制(MAQC)等大型国际研究计划大大提高了不同实验室、不同芯片/测序平台之间结果的重复性和可靠性，而且不同数据分析方法的优缺点也得到客观公正的评判[16-19]。这为美国FDA制订药物基因组学指南奠定了基础。2014年11月，MAQC组学质量控制和标准化联盟的第4期研究计划在复旦大学启动，该计划正围绕全基因组测序和靶向测序技术，研究标准化的数据分析流程和质量控制方法，以支持FDA在精准医学监管中的政策制订。

3.2 精准医学相关的监管科学体系的建立

精准医学是真正以患者为核心的研究计划，通过精准医学计划的实施，以期避免无效和过度治疗，降低高昂医疗费用，使患者真正受益于诊断和治疗。正是因为要以患者为核心，所以，与科学研究同样重要的监管科学须与时俱进，充分保障研究的可靠性与受试者的权益。在美国的精准医学研究计划中，FDA承担了改革现有监管体系的责任，以支持新的研究和医疗模式，包括隐私保护、创新诊疗方法在临床应用中的监管等。

早在2002年，为了促进在新药审评中更好地利用药物基因组学研究数据，FDA下属的药物评价和研究中心启动了基因组学数据自愿递交项目(Voluntary Genomic Data Submission, VGDS)，随后又扩展成探索型数据自愿递交项目(Voluntary eXploratory Data Submission, VXDS)以包括药物基因组学以外的其他类型数据，如蛋白组学数据和代谢组学数据。这一项目有利于FDA与申报方的数据共享，以推动多组学研究在药物监管过程中的应用。在此基础上，FDA于2005年形成正式的面向工业界的药物基因组学数据递交指南(Pharmacogenomic Data Submissions)[20]。随后，基于MAQC联盟的研究结果[16]，对该指南进行了大量补充和修正，形成了药物基因组学数据递交指南(Pharmacogenomic Data Submissions—Companion Guidance)详细介绍了FDA对递交药物基因组学数据的具体要求。对于基因表达和基因分型数据，详细论述了包括样本制备、数据分析、分析报告等方面的要求，以保证用于新药审批的组学数据的可靠性和可重复性。

2015年2月20日，FDA组织召开了有关优化FDA对新一代测序(NGS)诊断检测方法监管的公开讨论会，讨论了FDA在新一代测序设备方面的监管作用。一方面要保证公众快速受益于新技术、新诊疗方法的进步；另一方面，也要保证这些新方法的准确性、可靠性和临床有效性。2015年12月，FDA正式发布了“精准FDA”(Precision FDA)平台。这是一个基于云计算的在线、开源的基因组信息数据库和数据共享平台，提供数据共享、工具共享以及数据比较等功能，允许学术界和工业界上传测序数据、运行和比较不同软件，提高新一代测序数据分析的准确性，促进分析流程“金标准”形成，同时减少不必要的重复建设。

3.3 精准医学时代的伦理学

精准医学时代，生物大数据已经成为一种新的资源宝藏。数据的采集权、保存权、所有权、知情权、使用权以及隐私权等已经成为公民的新权益，这些权益的滥用必然引发新的伦理危机。因此，要重视和加强相应的资源管理体系建设，对生物大数据的标准规范、共享机制、权属、安全问题、隐私保护与公众利益的平衡等进行研究与讨论。

此外，组学数据分析技术在临床中的应用普及(如无创产前基因检测技术的使用)所引起的伦理问题、对电子健康档案进行深度分析挖掘所涉及伦理问题、生物样本库建设及出生队列研究中生物样本库建设所面临的伦理问题(包括样本收集的知情同意和再次同意有关的问题、保密性问题、所有权问题及商业化问题等)也是伴随精准医学研究而出现的新的伦理学挑战。

在精准医学的临床应用层面，对于创新的临床实验方法、N-of-One精准医学研究的探索，如何平衡科学研究与患者隐私与健康权益之间的平衡，也是迫切需要解决的问题。比如，目前基于新一代高通量测序进行肿瘤驱动基因检测的产品很多，但是，在临床实践中出于伦理学的考虑和临床指南的限制，很少有医生愿意尝试基于基因检测结果的临床用药，这进一步限制了精准医学研究获得更多的临床应用经验的机会。

总之，基于生物大数据的新药研发和个性化用药是精准医学的重要出口。在精准医学的推进过程中，科学研究和临床应用正在变得越来越密不可分；基于群体的大规模数据的整合挖掘与基于患者个体的N-of-One研究应用相互促进。只有以服务患者为根本出发点，建立切实可行的标准流程、监管机制与伦理保护，才能最终使民众从精准医学研究中受益。

(致谢：谨以此文感谢与三阴乳腺癌和胰腺癌顽强拼搏的积极参与肿瘤精准医学研究的众多患者，其对生命的敬畏和渴望是我们竭尽全力继续努力从事精准医学时代下新药研发和个性化用药研究的最大动力。)