一个 CDX 阴性结果，究竟说明了什么？

一项 CDX 研究结束后，最容易被压缩成一句话的结果往往是：

给药组没有显著抑瘤，所以这个化合物无效。

这句话有时成立，但更多时候，它把一条尚未完成的证据链提前终止了。

“没有观察到药效”可能意味着：

• 给药方案没有产生足够系统暴露；
• 血浆有暴露，但药物没有充分进入肿瘤；
• 药物到达肿瘤，却没有真正结合或调控靶点；
• 靶点被调控，但模型并不依赖该机制；
• 生物学作用存在，但肿瘤体积终点和观察窗口没有捕捉到；
• 研究变异过大，无法区分中等效应与噪声；
• 毒性、减量或提前退出改变了实际药物压力；
• 或者，在暴露、靶点作用和研究质量都得到支持后，模型确实没有产生预期响应。

先给出结论：
一个 CDX 阴性结果首先说明：在这条细胞系、这批材料、这个宿主、这个剂量与给药方案、这段观察时间和这些评价方法下，没有检测到预先定义的肿瘤反应。
它能否进一步支持“化合物失败”“靶点失败”或“生物学假设失败”，取决于暴露、target engagement、PD、模型状态和实验质量等上游证据是否已经闭合。

阴性结果不是一个终点，而是一种需要分类的结果

药理学审计链和“三根支柱”框架都强调，需要依次确认药物是否到达作用部位、是否与靶点相互作用，以及是否产生功能性药理活动。［1–4］

将这个思路放到 CDX 中，可以把阴性结果拆成六类：

这六类结果不能通过一条肿瘤生长曲线自动区分。

第一道问题：这项研究是否足以被解释？

在讨论药物机制前，应先问实验本身是否具备解释能力。

对照组是否建立了有效的研究窗口？

一个可解释的 CDX 研究至少需要让对照组表现出：

• 可测且相对稳定的肿瘤生长；
• 合理的组内变异；
• 足够的观察窗口；
• 不被大量自发回缩、溃疡或非计划退出主导；
• 与预先设定的终点相匹配的生长速度。

如果对照组几乎不增长，处理组“没有显著差异”可能只是因为研究没有形成足够动态范围。

反过来，如果对照组增长极快，研究可能很快触发终点，留给缓慢生效药物的观察时间不足。

Hather 等对异种移植研究的分析表明，对照肿瘤生长速度、研究时长、样本量和实验变异会共同影响 T/C 或生长速率类结果的判断。［5］

随机化、排除和分析规则是否清楚？

阴性结果尤其容易受到以下问题影响：

• 基线肿瘤体积不平衡；
• 处理前生长速度不平衡；
• 排除动物的规则在看到结果后才形成；
• 数据缺失与提前退出未被说明；
• 分组或测量过程存在系统偏差；
• 样本量不足以识别预期效应；
• 只报告终点均值，忽略个体轨迹。

ARRIVE 2.0 将研究设计、样本量、纳入与排除标准、随机化、盲法、结局指标和统计方法列为动物研究透明报告的关键内容。［6］这些原则并不保证研究一定得出阳性结果，但能帮助判断一个阴性结果究竟来自生物学还是研究不确定性。

阴性和“未达到统计显著”不是同一个概念

P > 0.05 不能自动证明两组等效。

可能的情况包括：

• 真实效应接近零；
• 存在中等效应，但样本量或变异使区分能力不足；
• 少数动物强烈响应，组均值掩盖异质性；
• 曲线早期分离、后期重新汇合；
• 终点时间选择改变了结论。

因此，应先描述效应方向、大小、置信区间和个体轨迹，再讨论统计证据。

一个研究可以“没有证明有效”，却仍然没有足够证据“证明无效”。

第二道问题：名义剂量是否转化成了真实系统暴露？

剂量是输入，暴露才是动物实际经历的药物压力。

相同 mg/kg 不保证相同的：

• Cmax；
• AUC；
• Cmin；
• 给药间隔覆盖时间；
• 游离暴露；
• 单次与重复给药后的暴露；
• 处理组之间的实际暴露。

FDA 的暴露—反应指导原则将暴露视为连接剂量与反应的关键变量，而不是假设剂量本身能够代表药理压力。［1］

为什么一个给药方案可能没有获得预期暴露？

可能原因包括：

• 生物利用度低；
• 制剂或溶解问题；
• 吸收变异；
• 清除过快；
• 非线性 PK；
• 重复给药后酶诱导或蓄积；
• 高蛋白结合；
• 血细胞分配；
• 给药失败或实际给药量偏离；
• 疾病状态、体重或宿主差异；
• 耐受性导致减量、漏药或提前停药。

如果缺少实测 PK，“给了一个文献中有效的剂量”仍不能证明当前研究获得了相同暴露。

暴露不足时，阴性结果能说明什么？

它可以支持：

当前给药方案没有给化合物提供足够的体内检验条件。

它不能直接支持：

• 靶点不成立；
• 模型不依赖；
• 化合物在充分暴露下仍然无效；
• 同类机制整体失败。

第三道问题：系统暴露是否转化成了肿瘤有效暴露？

血浆中检测到药物，只能证明药物进入了循环。

不同 CDX 可在血流、血管通透性、坏死、间质压力、基质比例、组织结合、细胞摄取和外排等方面存在差异。即使系统 PK 接近，肿瘤暴露和空间分布仍可能不同。

everolimus 的啮齿动物研究显示，不同种属和肿瘤状态下的血细胞分配、蛋白结合、通透性与肿瘤摄取存在差异，说明系统暴露不能自动代表肿瘤部位暴露。［7］

肿瘤匀浆中有药，为什么仍可能是“分布失败”？

因为肿瘤总浓度混合了：

• 血管内残余血液；
• 细胞外空间；
• 肿瘤细胞；
• 基质和宿主细胞；
• 坏死区；
• 结合药物和游离药物；
• 不同空间区域。

一个看似足够的平均浓度，不一定意味着目标细胞或亚细胞区室获得了充分游离药物。

因此，更稳妥的问题不是：

肿瘤里是否测到了药？

而是：

在与靶点作用相关的时间和空间尺度上，是否形成了足以检验机制的有效暴露？

只有一个肿瘤时间点够吗？

通常只能回答那个时间点发生了什么。

如果血浆快速下降、肿瘤分布滞后，或者药物在肿瘤中长期滞留，单个时间点可能：

• 错过肿瘤峰值；
• 错过谷值；
• 无法判断持续时间；
• 无法连接 PD 恢复；
• 无法区分短暂高暴露与持续覆盖。

因此，一个肿瘤浓度数字不能自动代表完整的肿瘤 PK。

第四道问题：药物是否真正作用于预期靶点？

有暴露之后，仍需要区分：

1. target engagement；
2. target modulation；
3. 近端 PD；
4. 下游 PD；
5. 生物学响应；
6. 肿瘤药效。

Target engagement 指药物在相关细胞或组织中与预期靶点发生结合或占据的直接证据。［8］Target modulation 则是靶点活性、丰度或近端功能发生变化。

FDA-NIH BEST 将 PD biomarker 定义为说明生物学活动已经发生的 response biomarker，但它不必然证明疗效、疾病结局或已经确立的作用机制。［9］

有肿瘤暴露，但没有 target engagement

这更接近：

• 有效游离浓度仍不足；
• 靶点不可接近；
• 细胞摄取或亚细胞分布不合适；
• 化合物体内效力不足；
• target engagement assay 的时间点或性能不合适。

它不能直接证明模型生物学不依赖靶点，因为靶点可能根本没有被充分检验。

有 target engagement，但没有下游 PD

这可能说明：

• 靶点占据深度不足；
• 作用持续时间不足；
• 靶点调控与 assay 读出之间存在延迟；
• 通路反馈快速恢复；
• 所选 PD 并不是该模型中的可靠近端读出；
• 靶点结合没有转化成功能抑制。

有 PD，但没有肿瘤药效

这是一种更有解释力的阴性，但仍需判断：

• PD 是近端还是远端？
• PD 深度和持续时间是否充分？
• 变化是否发生在真正的肿瘤细胞中？
• 是否只有部分肿瘤区域响应？
• 下游是否存在旁路和补偿？
• 模型是否具备执行停滞或死亡的能力？

这时，结论才开始接近“当前模型在充分药理作用下没有形成整体肿瘤响应”。

第五道问题：模型是否真的具备响应条件？

当暴露和 PD 都得到支持，下一层才是模型生物学。

需要区分：

• 靶点存在；
• 靶点被药物调控；
• 模型对该靶点或通路具有功能依赖；
• 靶点调控能够转化为细胞命运变化。

这些不是同一个问题。

靶点表达不等于靶点依赖

一个模型可以高表达靶点，却并不依赖它维持生长；也可以存在目标突变，但因谱系背景、共存改变或旁路信号而对单药不敏感。

如果 PD 已经充分，但肿瘤仍不响应，可能涉及：

• 通路冗余；
• 快速反馈；
• 旁路激活；
• 抗凋亡背景；
• 细胞周期检查点差异；
• 代谢适应；
• 非遗传状态转换；
• 肿瘤内亚群异质性。

这类结果通常更适合表述为：

当前模型在已观察到的靶点和 PD 调控条件下，没有产生预期整体肿瘤反应。

它仍不能由一个模型直接外推到整个瘤种或患者亚群。

同名细胞系也可能已经处于不同状态

Ben-David 等证明，同名癌细胞系可在不同来源和培养历史中发生遗传、转录和药物反应分化。［10］

因此，当结果与公共数据库、历史研究或内部基线明显不一致时，除了检查化合物，也应考虑：

• 当前细胞身份；
• 污染状态；
• 来源株；
• 培养历史；
• 关键突变和拷贝数；
• 靶点表达；
• 参考药物反应；
• 成瘤后的克隆选择。

“模型名相同”不等于“当前生物学状态相同”。

第六道问题：肿瘤体积是否是正确的时间终点？

肿瘤体积是一个下游、累积和相对缓慢的终点。

一条常见时间链是：

给药 → 系统暴露 → 肿瘤暴露 → target engagement → PD → 细胞命运变化 → 肿瘤生长曲线分离

浓度和 PD 可以在小时尺度变化，肿瘤体积差异却可能需要多次给药后才出现。

Simeoni 等的异种移植 PK/PD 模型使用延迟的细胞损伤过程连接药物浓度、肿瘤生长和细胞死亡，说明肿瘤体积并不是当前药物浓度的即时读出。［11］

观察窗口过短

可能出现：

• PD 已变化；
• 增殖已经下降；
• 但肿瘤体积尚未明显分离。

此时，“没有体积药效”不等于“没有生物学作用”。

观察窗口过晚

也可能出现：

• 早期肿瘤生长被明显抑制；
• 后期反馈、耐药或再生长使终点差异缩小；
• 单一终点掩盖了早期反应。

细胞静止型作用不一定表现为快速回缩

有些机制更可能导致：

• 生长减慢；
• 稳定；
• 延迟达到终点；
• 停药后重新生长。

如果预期机制主要是 cytostatic，却只把“肿瘤回缩”定义为成功，评价框架本身就可能制造阴性。

第七道问题：耐受性是否改变了实际暴露和肿瘤曲线？

明显体重下降、一般状态恶化或非计划减量会同时影响两件事：

1. 实际药物压力；
2. 肿瘤生长和宿主生理状态。

因此，耐受性差的研究可能出现两种相反误读。

假阴性

因减量、漏药或提前停药，动物没有获得计划暴露，导致药效不足。

假机制阳性

严重系统毒性可能降低摄食、体重和整体生长，从而间接减慢肿瘤生长。此时观察到的肿瘤差异不能自动归因于预期靶点机制。

因此，应把以下信息放在同一解释框架中：

• 实际给药记录；
• 个体体重和一般状态；
• 减量与停药；
• PK；
• 肿瘤曲线；
• 机制相关 PD；
• 非肿瘤组织或安全性信号。

药效和耐受性不是两张互不相关的表。

一个有用的阴性结果排查矩阵

这张表的作用是确定下一步缺失证据，不是为结果自动贴标签。

一个例子：有暴露、有 PD，为什么仍可能没有充分疗效？

在复发性胶质母细胞瘤的 ribociclib phase 0 研究中，研究者测量了血液、脑脊液和肿瘤区域中的总与游离药物浓度，并观察到 RB 磷酸化和增殖相关变化；但单药临床活性仍然有限。［12］

这不是 CDX 研究，但它很好地展示了一个普遍边界：

充分的组织暴露和可测 PD 能支持“药物到达并产生了生物学作用”，却不保证这种作用足以克服疾病网络并转化为整体疗效。

同样，在 CDX 中，即使证据链走到 PD，也仍需要模型依赖、作用持续性和肿瘤响应的支持。

什么时候可以把阴性结果称为“有解释力的真正阴性”？

至少应尽量满足以下条件：

1. 研究质量可解释

• 对照组建立有效窗口；
• 基线和关键变量相对平衡；
• 排除、缺失和退出有清楚说明；
• 变异没有使结果完全失去区分能力；
• 终点与预设研究问题一致。

2. 实际暴露得到支持

• 给药产生可解释的系统 PK；
• 重复给药后的暴露情况清楚；
• 没有因耐受性造成严重暴露折损；
• 肿瘤部位暴露至少得到合理评估。

3. 靶点和 PD 证据得到支持

• 有直接 target engagement，或明确说明只能到哪一层；
• target modulation 或近端 PD 方向正确；
• 深度和持续时间足以检验机制；
• 取样时间与药理过程匹配。

4. 模型状态得到支持

• 身份和污染风险可控；
• 关键分子背景符合研究假设；
• 靶点或通路状态在当前材料中得到确认；
• 模型确实具备被检验的生物学前提。

5. 终点评价适合机制

• 观察窗口足够；
• 区分生长延缓、停滞、回缩和再生长；
• 不只依赖一个终点比例；
• 个体轨迹与组层面结果一致或得到解释。

当这些层次大部分闭合时，阴性结果才更接近：

在当前模型中，即使实现了充分药物暴露和预期药理调控，也没有产生具有意义的肿瘤响应。

这是一条有价值的生物学结论。

阴性结果之后，下一步应该补什么？

下一步不应由“结果不好看”决定，而应由证据链最早断裂的位置决定。

暴露断裂

优先问题是：

• 当前方案为什么没有形成预期暴露？
• 是否还有合理的暴露空间？
• 肿瘤分布是否是主要限制？

此时不宜先换模型来“寻找阳性”。

Target engagement 或 PD 断裂

优先问题是：

• assay 是否测到了正确层级？
• 时间点是否合适？
• 化合物能否在体内充分调控靶点？
• 是否需要更直接的靶点作用证据？

此时重复同一终点药效研究，往往不能解决机制缺口。

暴露和 PD 充分，但无药效

优先问题是：

• 模型是否真正依赖？
• 是否存在反馈或旁路？
• 生物学响应停在哪一层？
• 是否需要正交化合物、遗传工具或联合干预来验证解释？

实验窗口断裂

优先问题是：

• 对照生长、研究时长和终点是否匹配？
• 是否需要不同动力学指标？
• 现有数据是否足以支持任何强结论？

这时最重要的是改进可解释性，而不是通过事后筛选得到一个“显著”结果。

阴性结果能够支持什么？

在只有肿瘤曲线时

可以支持：

• 当前条件下未检测到明确肿瘤反应。

不能支持：

• 化合物已在充分暴露下失败；
• 靶点被充分调控；
• 模型已经证明耐药；
• 整个机制或瘤种无效。

在加入 PK 后

可以进一步支持：

• 给药是否产生预期系统暴露；
• 阴性是否可能主要来自暴露不足。

仍不能证明：

• 肿瘤靶细胞获得充分有效浓度；
• 靶点真正被调控。

在加入肿瘤 PK、target engagement 和 PD 后

可以进一步支持：

• 药物是否到达肿瘤；
• 是否作用于预期靶点；
• 是否产生机制一致的生物学变化；
• 证据链在哪一层开始断裂。

仍不能由单一模型证明：

• 该机制对整个患者人群无效；
• 某个 biomarker 已经被否定；
• 动物结果可直接预测临床失败。

最容易写过头的六种结论

1. “没有显著差异，所以两组没有差别”

没有统计显著不等于已经证明等效。

2. “文献剂量已经足够，所以暴露没有问题”

文献剂量不等于当前研究的实测暴露。

3. “血浆浓度很高，所以肿瘤暴露充分”

系统暴露不等于肿瘤有效暴露。

4. “肿瘤中测到了药，所以模型是真正耐药”

还需要 target engagement、PD 和模型依赖证据。

5. “PD 有变化，所以应该有药效”

PD 说明发生了生物学活动，不必然说明疾病结局改善。［9］

6. “一个 CDX 阴性，所以这个瘤种不适合该靶点”

一个模型的结果不能代表完整瘤种和患者异质性。

一份简化的复盘清单

看到 CDX 阴性结果后，可以依次问：

Study｜研究是否可解释？

• 对照组是否形成有效窗口？
• 基线是否平衡？
• 变异、退出和缺失是否清楚？
• 终点与机制是否匹配？

Exposure｜是否真正获得药物压力？

• 系统 PK 是否达到预期？
• 重复给药是否改变暴露？
• 肿瘤暴露和持续时间如何？
• 耐受性是否降低实际剂量强度？

Pharmacology｜药物是否做了预期的事？

• 有无 target engagement？
• 靶点调控深度如何？
• 近端和下游 PD 是否一致？
• 取样时间是否覆盖作用和恢复？

Model｜模型是否有响应能力？

• 身份和当前分子状态是否确认？
• 是否具备功能依赖？
• 是否存在反馈、旁路或抗凋亡背景？
• 历史和当前参考反应是否一致？

Response｜终点是否捕获了真实过程？

• 是没有作用，还是只有生长延缓？
• 是否存在早期作用和后期再生长？
• 单一终点是否掩盖个体异质性？
• 研究时长是否合理？

Boundary｜结论能走多远？

• 结果只适用于当前方案，还是已经支持机制判断？
• 哪些替代解释仍未排除？
• 最早断裂的证据环节在哪里？

结语

一个 CDX 阴性结果并不天然比阳性结果价值低。

真正低价值的是：

• 不知道药物是否到达；
• 不知道靶点是否被作用；
• 不知道模型是否仍符合假设；
• 不知道终点是否具有区分能力；
• 最后却把一条不完整证据链写成“机制失败”。

高质量的阴性结果能够明确告诉我们：

• 是化合物没有获得公平检验；
• 是肿瘤分布成为限制；
• 是体内药理作用没有建立；
• 是模型在充分 PD 下仍不响应；
• 是终点和研究窗口需要调整；
• 还是某个生物学假设确实需要被重新审视。

因此，复盘阴性结果时最重要的问题不是：

为什么没有显著药效？

而是：

证据链最早从哪一层开始断裂？

找到这一层，才知道下一步应该改化合物、改暴露、补 PD、换模型、调整终点，还是停止继续投入。

---

参考资料

1. U.S. Food and Drug Administration. Exposure-Response Relationships — Study Design, Data Analysis, and Regulatory Applications. Guidance for Industry. 2003.
2. Morgan P, Van Der Graaf PH, Arrowsmith J, et al. Can the flow of medicines be improved? Fundamental pharmacokinetic and pharmacological principles toward improving Phase II survival. Drug Discovery Today. 2012;17(9–10):419–424.
3. Workman P. How much gets there and what does it do? The need for better pharmacokinetic and pharmacodynamic endpoints in contemporary drug discovery and development. Current Pharmaceutical Design. 2003;9(11):891–902.
4. Banerji U, Workman P. Critical parameters in targeted drug development: the pharmacological audit trail. Seminars in Oncology. 2016;43(4):436–445.
5. Hather G, Liu R, Bandi S, et al. Growth Rate Analysis and Efficient Experimental Design for Tumor Xenograft Studies. Cancer Informatics. 2014;13(Suppl 4):65–72.
6. Percie du Sert N, Hurst V, Ahluwalia A, et al. The ARRIVE guidelines 2.0: Updated guidelines for reporting animal research. PLOS Biology. 2020;18(7):e3000410.
7. O’Reilly T, McSheehy PMJ, Kawai R, et al. Comparative pharmacokinetics of RAD001 (everolimus) in normal and tumor-bearing rodents. Cancer Chemotherapy and Pharmacology. 2010;65(4):625–639.
8. St John-Campbell S, Bhalay G. Target Engagement Assays in Early Drug Discovery. Journal of Medicinal Chemistry. 2025;68:12331–12368. See also the published correction: 10.1021/acs.jmedchem.5c02336.
9. FDA-NIH Biomarker Working Group. Response Biomarker. In: BEST (Biomarkers, EndpointS, and other Tools) Resource. Updated 2021.
10. 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.
11. Simeoni M, Magni P, Cammia C, et al. Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research. 2004;64(3):1094–1101.
12. Tien AC, Li J, Bao X, et al. A Phase 0 Trial of Ribociclib in Recurrent Glioblastoma Patients Incorporating a Tumor Pharmacodynamic- and Pharmacokinetic-Guided Expansion Cohort. Clinical Cancer Research. 2019;25(19):5777–5786.

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