Cancer Research
小鼠乳腺肿瘤转录组图谱助力乳腺癌预后与免疫治疗生物标志物发现
小赛推荐：
本研究为 乳腺癌 的免疫治疗策略提供了关键的临床前验证模型，提示在 免疫检查点抑制剂 研发中应重视小鼠模型与人类数据的跨物种一致性。
文献概述
本文《Transcriptomic Profiling of Mouse Mammary Tumors Enables Prognostic and Predictive Biomarker Discovery for Human Breast Cancer》，发表于《Cancer Research》杂志，系统探讨了利用大规模免疫健全小鼠乳腺肿瘤模型构建转录组图谱，以解决人类乳腺癌预后及免疫治疗反应预测标志物匮乏的难题。文章通过整合 26 种遗传背景多样的小鼠模型数据，训练机器学习模型并成功验证其在人类队列中的泛化能力，为转化医学研究提供了宝贵的资源。背景知识
1. 该研究解决的 乳腺癌 痛点在于临床缺乏能够准确预测患者生存期及对 免疫检查点抑制剂 和化疗反应的高质量生物标志物，尤其是针对 三阴性乳腺癌 这一高异质性亚型。2. 目前 PD-1、CTLA-4 等靶点的研究瓶颈在于人类临床试验难以获取治疗过程中的连续样本，且严格的入组标准导致样本选择偏差，限制了机制研究的深度。3. 选题切入点在于利用免疫健全的小鼠模型（如 p53 缺失、BRCA1 突变模型）模拟人类肿瘤的分子特征，通过纵向监测和转录组测序，建立从基线到治疗后的完整数据链，从而筛选出保守的跨物种生物标志物。
研究方法与核心实验
作者构建了包含 26 种遗传多样性小鼠乳腺肿瘤模型的队列，涵盖了 三阴性乳腺癌 和 HER2 阳性 等多种分子亚型，并采用了同基因移植和自发肿瘤模型。研究团队对未治疗及接受 卡铂/紫杉醇 化疗或 抗 PD-1 联合 抗 CTLA-4 免疫治疗的肿瘤进行了基线及治疗第 7 天的 RNA 测序。通过弹性网络（Elastic Net）等机器学习算法，利用 888 个基因表达模块特征训练预后和预测模型，并在多个独立的人类乳腺癌数据集（如 SCAN-B、UNC-337）中进行跨物种验证。关键结论与观点
研究意义与展望
该发现对 药物开发 具有重要指导意义，表明利用免疫健全小鼠模型进行早期药效筛选和机制解析，可以显著降低临床转化风险。对于 临床监测 而言，研究提示治疗早期的转录组动态变化比基线特征更能准确预测免疫治疗获益。此外，该研究建立的跨物种数据资源将极大促进 疾病建模 的标准化，帮助研究人员在更贴近人类生理的系统中验证 肿瘤微环境 相关的干预策略。
结语
本研究通过构建大规模、多维度的免疫健全小鼠乳腺肿瘤转录组图谱，成功打通了从临床前模型到人类临床数据的转化路径。研究不仅证实了小鼠与人类肿瘤在预后特征和免疫治疗反应上的生物学保守性，更通过机器学习挖掘出具有跨物种预测能力的新型生物标志物。特别是针对 三阴性乳腺癌 这一难治性疾病，研究揭示了 CD40 等潜在联合治疗靶点，为克服免疫治疗耐药提供了新的策略。从实验室到临床，这一资源将作为基石，加速 相关疾病 的精准诊疗体系构建，推动基于生物标志物的个体化治疗方案的落地，最终改善患者的生存预后。
