同名细胞系为何会得到不同药物反应？——读 Ben-David et al., Nature 2018

阅读论文
Ben-David U, Siranosian B, Ha G, et al. Genetic and transcriptional evolution alters cancer cell line drug response. Nature. 2018;560(7718):325–330.
DOI: 10.1038/s41586-018-0409-3［1］

在药理研究中，我们经常把细胞系名称当作一种稳定身份：

• A549 就是 A549；
• MCF7 就是 MCF7；
• 公共数据库中的分子特征可以直接代表手里的细胞；
• 文献中某个细胞系对药物敏感，自己的实验也应得到接近结果。

Ben-David 等人在 2018 年发表的这项研究，挑战的正是这一组默认前提。

研究者比较了来自不同实验室和来源的同名癌细胞系，发现它们虽然仍可被认作同一细胞系，却可能已经在遗传组成、转录程序、形态、生长和药物反应上产生显著分化。以 27 个不同来源的 MCF7 培养株为例，作者观察到快速的遗传多样化；当这些培养株接受 321 种抗肿瘤化合物筛选时，同一药物在不同 MCF7 株中的反应可以相差很大。［1］

这篇论文最重要的提醒并不是“细胞系不可靠”，而是：

细胞系名称描述的是谱系来源，不是一份永远不变的当前状态说明书。

这篇论文试图回答什么问题？

在这项研究之前，研究者已经知道细胞系在长期培养中可能发生变化，但三个关键问题仍不清楚：

1. 同名细胞系在不同实验室中究竟能积累多大的遗传与转录差异？
2. 这些差异主要是随机漂变，还是受到培养条件驱动的克隆选择？
3. 分子状态的变化是否足以改变细胞形态、生长特征和药物敏感性？

换句话说，作者想把“细胞系会漂移”从一个模糊经验，推进为一条可测量的证据链：

遗传组成变化 → 转录程序变化 → 表型变化 → 药物反应变化

研究是怎样展开的？

这项研究并不是只比较两瓶 MCF7，而是分成多个互相补强的层次。

第一层：比较两个大型研究中心中的 106 条同名细胞系

作者首先比较了在 Broad Institute 和 Sanger Institute 培养的 106 条人源癌细胞系。

一个重要分析思路是同时考察：

• 胚系变异的一致性；
• 体细胞突变的一致性；
• 拷贝数改变的一致性。

胚系变异高度一致，可以帮助确认两边比较的确实是相同来源的细胞系；相比之下，体细胞变异和拷贝数状态表现出更明显差异。这提示问题并不只是把完全不同的细胞认成了同一细胞，而是同一来源的癌细胞群体在后续培养中发生了演化。［1］

第二层：深入分析 27 个 MCF7 培养株

作者收集了 27 个来自不同实验室、商业来源和实验历史的 MCF7 培养株。

论文把这些不同来源、不同培养历史的 MCF7 称为不同的 strains。这里更适合将其理解为“同一细胞系的不同培养株或来源株”，而不是微生物学意义上的菌株，也不是 27 条完全独立建立的乳腺癌细胞系。

研究者对这些 MCF7 培养株进行了较全面的比较，包括：

• 点突变；
• 拷贝数改变；
• 基因表达；
• 细胞形态；
• 增殖特征；
• 不同环境下的生长；
• 药物反应。

MCF7 因此成为研究中的核心案例：它既展示了同名细胞系之间可以存在多大差异，也让作者能够进一步追踪这些差异怎样形成。

第三层：用条形码和单细胞克隆追踪演化

仅仅观察多个实验室里的细胞不同，还不能说明差异是怎样产生的。

作者进一步使用 DNA 条形码追踪细胞群体，并将同一亲本群体置于不同培养条件下。不同条件会富集不同的条形码组合，说明细胞群体中原本存在的亚克隆会在环境压力下受到不同选择。

研究还分析了单细胞来源克隆。即使从单个细胞出发，后续群体也会较快重新产生异质性。

这些实验支持一个核心机制：

细胞系演化并不只是被动积累随机变化；培养条件可以通过正向克隆选择，持续改变群体组成。［1］

第四层：检测药物反应后果

作者使用 321 种抗肿瘤化合物测试 27 个 MCF7 培养株。

结果显示，在至少一些培养株中表现出强活性的化合物里，至少 75% 可以在另一些培养株中几乎没有活性。［1］

这里需要准确理解这个数字：

• 它不是说 321 种化合物里有 75% 在所有 MCF7 中表现矛盾；
• 它也不是患者人群中的耐药比例；
• 它描述的是：那些能强烈抑制部分 MCF7 培养株的化合物，大多数并不能对所有其他 MCF7 培养株保持同样活性。

因此，这一结果说明的不是“药物筛选全是噪声”，而是同名细胞系内部的状态差异，已经大到足以改变实验结论。

论文最关键的四个发现

1. 同名细胞系不是遗传上完全一致的复制品

不同 MCF7 培养株之间存在：

• 点突变差异；
• 染色体臂和基因水平的拷贝数差异；
• 关键癌基因和抑癌基因状态差异；
• 亚克隆比例差异。

类似现象也出现在另外 13 条具有多个来源株的细胞系中。［1］

因此，细胞系名称可以帮助追溯共同祖先，却不能单独证明当前每一批细胞具有相同基因组。

2. 遗传差异会进入转录程序和细胞表型

作者没有停在“测序结果不同”。

不同培养株还表现出：

• 不同基因表达程序；
• 不同通路活性；
• 不同细胞形态；
• 不同增殖速度；
• 不同环境适应能力。

例如，特定基因拷贝数或突变状态与相应转录通路的变化相关。论文展示了 PTEN、ESR1 等改变与下游表达程序之间的联系。［1］

这一步很重要，因为并非每一个基因组差异都有功能意义。只有当变化能够向下影响转录和表型时，它才更可能改变实验结果。

3. 培养条件能够选择不同亚克隆

条形码实验表明，不同培养环境会使不同亚克隆获得相对优势。

这意味着下列条件不一定只是无关紧要的技术背景：

• 培养基；
• 激素或生长因子条件；
• 药物选择压力；
• 培养密度；
• 实验室长期形成的培养习惯。

它们可能改变群体中哪些细胞被保留下来。

但论文并没有证明任何一个条件都会以固定方向改变所有细胞系，也没有给出仅凭培养基名称预测最终药物敏感性的公式。它证明的是：

培养环境具备改变克隆组成的能力，而具体方向取决于群体中存在的变异和相应选择压力。

4. 药物反应差异具有生物学结构，不只是随机误差

如果所有药物反应差异都来自操作噪声，那么同一作用机制的化合物不应表现出相似的跨培养株响应模式。

但论文观察到，具有相同作用机制的化合物，其差异反应模式往往更相似。例如，三种蛋白酶体抑制剂在不同 MCF7 培养株中表现出相近的响应排序。部分药物反应还与 PTEN、ESR1 状态及相应转录程序相关。［1］

这说明：

• 跨培养株差异并非全部是随机波动；
• 某些差异可以追溯到具体分子与功能状态；
• “同一细胞系在不同实验室结果不同”有时反映的是不同生物学对象，而不只是技术执行质量不同。

这篇论文改变了我对“细胞系身份”的理解

阅读这篇论文后，至少需要把细胞系的“身份”和“状态”分开。

ICLAC 推动使用 STR 等方法识别人源细胞系，并维护误认细胞系及参考谱资源。［3］这些措施非常重要，但 Ben-David 论文揭示的是另一类问题：

一批细胞可以通过身份验证，却仍然已经在功能上偏离另一个实验室的同名细胞。

因此，STR 回答的是“它是谁”，而不是“它现在具有什么药理表型”。

公共数据库不是手中细胞的实时说明书

CCLE、DepMap 和其他公共数据库极大提高了细胞系研究的可解释性。

但数据库记录对应的是：

• 某个来源；
• 某个批次；
• 某段培养历史；
• 某个检测时间；
• 特定实验条件下的细胞群体。

它们不是对世界上所有同名细胞的永久保证。

因此，更稳妥的使用方式是：

把公共数据库当作模型选择与机制假设的起点，再用手中实际细胞确认关键特征。

例如，在准备验证某个靶点依赖时，数据库可以帮助提出：

• 该细胞系可能带有某一突变；
• 该通路可能活跃；
• CRISPR 筛选中可能存在依赖；
• 某类药物可能敏感。

但真正进入关键实验前，仍需要判断：

• 当前细胞是否仍保留关键改变；
• 靶点表达和近端通路是否符合预期；
• 参考化合物能否产生合理响应；
• 表型是否在当前批次稳定。

这篇论文没有证明什么？

一篇影响很大的论文，也容易被过度解读。

没有证明所有细胞系都以相同速度漂移

论文观察到广泛变异，但不同细胞系的遗传不稳定性、克隆结构和环境敏感性并不相同。

有些模型可能相对稳定，有些模型更容易出现克隆替换。不能仅凭“细胞系都会演化”就假设所有模型具有相同风险。

没有证明传代数可以完整预测功能变化

传代次数是重要记录，但相同传代数不等于相同演化历史。

克隆瓶颈、培养条件、冻融、选择压力和起始群体组成都可能影响结果。仅设定一个传代上限，不能替代对关键状态的确认。

没有证明 STR 能发现所有功能漂移

STR 适合确认身份和发现交叉污染，但多数影响药物反应的点突变、拷贝数、亚克隆比例和转录状态并不由 STR 直接测量。

没有证明所有药物反应差异都来自遗传演化

药物反应还会受到：

• 培养条件；
• 生长速度；
• 接种密度；
• 检测时间；
• 浓度范围；
• 数据分析方法；
• 暂时性细胞状态；
• 技术误差。

论文证明遗传和转录演化是一个重要来源，而不是唯一来源。

没有证明细胞系不再值得使用

相反，研究者认为细胞系仍是癌症研究的重要工具。

真正需要改变的是使用方式：不再把细胞系当作永远固定的均一材料，而是把它视为需要记录来源、培养历史和当前状态的动态群体。作者随后在综述中进一步讨论了癌症模型基因组演化的风险以及可利用的研究机会。［2］

没有直接证明体外差异一定会等比例进入 CDX

论文中的药物筛选主要发生在体外。

当细胞进入小鼠形成 CDX 后，还会叠加：

• 体内克隆选择；
• 肿瘤建立瓶颈；
• 宿主微环境；
• 肿瘤暴露；
• 生长动力学；
• 体内 PD。

因此，这篇论文可以支持“接种前细胞状态可能影响 CDX 结果”，但不能单独预测某一遗传差异会造成多大的体内药效变化。

后来的研究补充了什么？

Ben-David 论文重点展示了不同来源培养株之间的遗传和转录演化。后续单细胞多组学研究进一步表明，即使在一批常用细胞系内部，也常可观察到转录和染色质可及性的细胞间异质性。

Zhu 等人在 2023 年对 42 条细胞系进行单细胞 RNA 测序、对 39 条细胞系进行单细胞 ATAC 测序，发现细胞系内部的转录异质性较为常见，拷贝数、表观遗传差异和染色体外 DNA 分布均可能参与形成这种异质性；缺氧等环境压力还可以重塑群体中的转录状态。［4］

两项研究关注的层次并不完全相同：

• Ben-David 等强调不同来源培养株之间的演化和药物反应差异；
• Zhu 等强调单个细胞系群体内部的多组学异质性及其动态变化。

它们共同指向一个更现实的模型：

细胞系既不是跨实验室完全固定的对象，也不是单个培养瓶内完全均一的细胞集合。

对临床前研究最直接的启示

1. 记录来源和培养历史，不只记录细胞系名称

在解释一项研究时，至少应知道：

• 细胞来自哪个细胞库或实验室；
• 当前使用的是哪一批细胞库；
• 经过了怎样的复苏和扩增历史；
• 关键实验使用的细胞处于什么范围；
• 培养条件是否发生过改变。

这些信息不能消除演化，但可以让差异具有可追溯性。

2. 把身份 QC 和功能 QC 分开

身份检查解决的是：

• 是否误认；
• 是否交叉污染。

功能检查解决的是：

• 当前是否表达预期靶点；
• 是否保留关键分子背景；
• 是否呈现可解释的通路状态；
• 是否对参考干预产生合理反应。

两者不能互相替代。

3. 关键结论不要完全依赖一个来源株

当结果承担机制判断、候选排序或重要决策时，可以考虑用独立证据补强，例如：

• 独立冻存批次；
• 同一机制的正交化合物；
• 遗传扰动；
• 另一条具有相同关键背景的细胞系；
• 独立体内重复；
• 关键特征的重新确认。

目的不是要求每个实验无限重复，而是避免把一个来源株的偶然状态误认成整个模型名称的固有属性。

4. 结果漂移时，不要只排查化合物和操作

当历史敏感模型突然失去反应，或不同实验室结果明显不一致时，排查范围应包括：

• 化合物与制剂；
• 测定条件；
• 细胞身份和污染；
• 当前生长与形态；
• 关键分子状态；
• 培养历史；
• 参考药物响应；
• 亚克隆选择的可能性。

“实验没有复现”不一定意味着原研究错误，也不一定意味着当前操作错误；两次实验可能实际使用了不同状态的同名细胞。

5. 把模型状态看作实验变量，而不是背景常数

论文最深的一层启示是：

模型本身也在变化。

在很多实验设计中，我们会认真记录：

• 药物剂量；
• 给药方案；
• 采样时间；
• 检测方法。

但细胞系常只留下一个名称。Ben-David 等人的研究说明，模型来源和状态同样属于需要控制、记录和解释的变量。

我会怎样重新阅读一份细胞系药效结果？

看到“药物 X 在 MCF7 中有效”时，我会继续问：

1. 这是哪个来源和哪一批 MCF7？
2. 当前关键遗传与分子特征是否确认？
3. 细胞是否完成身份和污染检查？
4. 对照组的形态和生长是否符合历史表现？
5. 药物反应是否由独立实验或参考化合物支持？
6. 结论支持的是“这一批 MCF7”，还是已经有证据外推到更广泛背景？
7. 如果结果与公共数据库不同，是否考虑了模型演化，而不是只把一方判为错误？
8. 如果用于 CDX，接种前状态、成瘤选择和体内 PD 是否被纳入解释？

这些问题不会让细胞系研究失去价值，反而会让结论边界更清楚。

读完这篇论文后留下的三个判断

判断一：同名不等于同状态

细胞系名称仍然有用，但它只提供了共同来源和基础身份。当前遗传、转录和功能状态需要额外确认。

判断二：重现性不是只靠“操作标准化”

即使两个实验室都准确执行相同流程，如果起始细胞群体已经分化，结果仍可能不同。

重现性因此同时依赖：

• 技术过程；
• 模型身份；
• 模型当前状态；
• 环境选择历史。

判断三：差异本身也可以成为研究对象

细胞系演化并不只有风险。

如果不同来源株表现出稳定的药物差异，并能追溯到具体突变、拷贝数或表达程序，它们也可以帮助识别：

• 药物敏感性决定因素；
• 旁路和反馈；
• 耐药机制；
• 克隆选择规律；
• 环境—基因相互作用。

前提是研究者知道自己比较的是不同状态，并对差异进行验证，而不是仍把它们当作完全相同的材料。

结语

Ben-David 等人的研究改变的，不只是我们对 MCF7 的看法，而是对“模型”这个词的理解。

实验中的细胞系不是从数据库里直接复制出来的一行静态信息。它是一群具有遗传与非遗传异质性的细胞，在培养、冻融、克隆瓶颈和环境选择中持续变化。

因此，看到一条细胞系名称时，更准确的问题不再只是：

这是什么细胞系？

还应包括：

它来自哪里？经历了什么？现在处于什么状态？这些状态是否足以回答当前研究问题？

这不是对细胞系研究的否定，而是让细胞系重新成为可定义、可追溯、可解释的实验模型。

---

参考资料

1. Ben-David U, Siranosian B, Ha G, et al. Genetic and transcriptional evolution alters cancer cell line drug response. Nature. 2018;560(7718):325–330.
2. Ben-David U, Beroukhim R, Golub TR. Genomic evolution of cancer models: perils and opportunities. Nature Reviews Cancer. 2019;19:97–109.
3. International Cell Line Authentication Committee. Guide to Human Cell Line Authentication. Updated 2023.
4. Zhu Q, Zhao X, Zhang Y, et al. Single cell multi-omics reveal intra-cell-line heterogeneity across human cancer cell lines. Nature Communications. 2023;14(1):8170.

1. 01

   细胞系选择

   界定模型与研究问题的匹配性

   主要输入

   公开资料、模型特征

   判断 / 输出

   模型选择依据

   常见风险

   适用性与可重复性

2. 02

   细胞培养与状态确认

   确认起始材料状态

   主要输入

   细胞状态记录

   判断 / 输出

   起始质量判断

   常见风险

   状态偏差

3. 03

   动物准备

   让模型条件与研究设计相衔接

   主要输入

   研究设计、动物信息

   判断 / 输出

   纳入与排除逻辑

   常见风险

   个体差异

4. 04

   细胞接种

   建立移植起点

   主要输入

   经确认的细胞材料

   判断 / 输出

   建模可行性

   常见风险

   成瘤不稳定

5. 05

   肿瘤生长监测

   观察模型是否按预期发展

   主要输入

   连续观察记录

   判断 / 输出

   进入研究的判断

   常见风险

   异质性

6. 06

   随机分组

   降低已知偏倚

   主要输入

   基线观察结果

   判断 / 输出

   组间可比性

   常见风险

   基线失衡

7. 07

   给药与观察

   连接干预与随访

   主要输入

   研究方案、观察计划

   判断 / 输出

   治疗期观察

   常见风险

   非特异影响

8. 08

   疗效与安全性评价

   从多个维度理解反应

   主要输入

   纵向测量、观察

   判断 / 输出

   效应与耐受性线索

   常见风险

   只看单一终点

9. 09

   样本采集与分析

   补充机制与暴露解释

   主要输入

   研究相关样本

   判断 / 输出

   可解释的证据链

   常见风险

   样本与问题脱节