为什么同一个化合物在不同 CDX 模型中的药效可能不同？

同一个化合物、相同的名义剂量、相似的给药方案，在一个 CDX 模型中可以引起肿瘤回缩，在另一个模型中却可能只有轻微的生长延缓，甚至看不到明确药效。

最直觉的解释是：

一个模型敏感，另一个模型耐药。

这可能是结论，也可能只是对现象的重新命名。

因为一条肿瘤曲线同时受到至少三类因素影响：

模型是否真正依赖药物所针对的生物学机制；
药物是否在该模型中获得了足够、持续且分布合适的肿瘤暴露；
实验设计和评价方法是否公平地捕捉到了反应。

只有把这三层拆开，跨模型差异才有机会从“现象”变成“证据”。

先给出结论：
同一个化合物在不同 CDX 模型中呈现不同药效，既可能源于靶点依赖性、谱系背景、共存改变和反馈网络的真实差异，也可能源于肿瘤暴露、微环境、肿瘤生长动力学或实验测量方式不同。
“一个模型有效、另一个无效”首先证明的是这两个模型在当前实验条件下产生了不同结果；它本身不能直接说明差异来自哪一个基因、哪一条通路，或者哪一个模型更接近患者。

先把跨模型差异拆成三个问题

问题一：模型的生物学敏感性是否不同？

这里关注的是：

靶点是否存在；
靶点是否处于正确的功能状态；
肿瘤是否依赖该靶点；
通路中是否存在反馈、旁路和共存改变；
靶点被调控后，细胞是否具备进入停滞或死亡的能力。

这是“药物到了并且作用之后，模型会不会响应”的问题。

问题二：模型获得的有效药物压力是否不同？

即使动物接受相同剂量，不同肿瘤也可能具有不同的：

血流和血管通透性；
间质压力；
基质组成；
坏死与低灌注区域；
组织结合和细胞摄取；
外排和代谢；
空间分布；
靶点附近的游离药物浓度。

这是“药物实际上有没有以足够的深度和持续时间作用于肿瘤”的问题。

问题三：实验是否用同一把尺子测量了不同模型？

不同模型可能具有不同的：

基线肿瘤体积；
对照组生长速度；
生长变异；
随机分组质量；
可观察时间；
坏死比例；
测量误差；
耐受剂量；
提前退出或终点触发概率。

这是“看到的差异有多少来自评价系统本身”的问题。

因此，一条更完整的思路是：

观察到的药效差异 = 生物学敏感性差异 + 有效肿瘤暴露差异 + 实验与测量差异

这不是一个可直接计算的数学公式，而是解释跨模型结果时需要逐层排查的框架。

靶点存在，不等于模型依赖靶点

判断一个 CDX 是否可能敏感，通常会先看：

靶点表达；
激活突变；
扩增、融合或缺失；
通路活性；
体外药物敏感性；
公共数据库中的依赖性数据。

这些信息很重要，但它们回答的不是同一个问题。

表达量回答“有没有”，依赖性回答“离不开吗”

一个模型可以高表达某个靶点，却不依赖它维持生长。相反，一个靶点的表达量并不突出，也可能因特定遗传背景或合成致死关系而成为关键依赖。

CCLE、GDSC 和 DepMap 等大规模研究显示，药物反应和基因依赖性通常与多维分子背景相关，而不是由单个表达值或单个突变独立决定。［1–5］

因此：

靶点表达是候选条件；
靶点改变是机制线索；
功能依赖才更接近“抑制后是否会影响肿瘤生存”；
体内药效还需要叠加暴露、微环境和实验条件。

同一个突变，在不同谱系中不一定有相同含义

同一种基因改变可以嵌入不同的信号网络。

一个经典例子是 BRAF^V600E。BRAF 抑制剂在 BRAF 突变黑色素瘤中可以产生明显作用，但 BRAF 突变结直肠癌对单药 RAF 抑制相对不敏感。研究显示，结直肠癌细胞中 EGFR 介导的 MAPK 通路快速再激活，是这种差异的重要原因之一；联合 RAF 与 EGFR 抑制能够带来更持续的 MAPK 抑制，并在异种移植模型中提高药效。［6］

这个例子说明：

“有同一个驱动突变”并不等于“药物进入了同一个功能网络”。

谱系背景、受体表达、负反馈强度和旁路通路都可能改变相同靶点抑制后的系统行为。

共存改变会改变药物反应的出口

即使两个模型都依赖同一上游通路，它们仍可能在下游“执行反应”的能力上不同。

可能影响结果的因素包括：

凋亡阈值；
细胞周期检查点；
DNA 损伤修复能力；
旁路生存信号；
代谢适应；
上皮—间质状态；
蛋白降解与再合成速度；
反馈恢复速度。

因此，两个模型可能出现：

相似的 target engagement；
相似的近端靶点调控；
不同的下游 PD；
最终完全不同的肿瘤反应。

这时，差异更接近靶点之后的网络和细胞命运，而不是药物有没有碰到靶点。

细胞系名称相同，也不保证模型状态相同

CDX 的起点是体外培养的细胞系。细胞系并不是永远不变的标准试剂。

Ben-David 等比较不同来源的同名细胞系后发现，细胞系可在培养过程中发生遗传和转录演化，并由此改变药物反应。［7］培养条件、瓶颈效应和克隆选择都可能使不同批次逐渐偏离。

这意味着：

“这是 A549”或“这是 MCF-7”只说明一个身份标签，不足以完整描述当前实验材料。

身份验证只能解决一部分问题

STR 分型可以帮助确认人源细胞系身份，并发现误认或交叉污染。ICLAC 将 STR 作为常用的人源细胞系认证方法，并建议与可靠参考谱和误认细胞系数据库进行比对。［8］

但 STR 不能回答：

当前靶点表达是否保持；
关键突变的等位基因比例是否变化；
某个亚克隆是否被富集；
生长速度是否漂移；
药物依赖性是否仍与公共数据库一致；
细胞进入小鼠后是否形成了不同的组织结构。

因此，一个可解释的 CDX 模型至少需要区分两类质量信息：

信息类型	主要回答什么	不能替代什么
身份与污染检查	细胞是不是预期的细胞系，是否存在明显交叉污染	不能证明功能状态没有漂移
功能与分子确认	靶点、通路、依赖性和生长特征是否仍符合研究问题	不能替代身份验证

如果同一模型在不同时间出现明显药效漂移，除了检查化合物和实验操作，也应重新检查细胞身份、传代历史、关键分子特征和体外响应。

相同剂量，不等于不同模型承受了相同药物压力

剂量只是输入。真正作用于肿瘤的是随时间变化的有效暴露。

不同 CDX 模型即使位于同一宿主品系、接受相同给药方案，也可能在以下方面不同：

肿瘤血管密度；
灌注和通透性；
肿瘤细胞与基质比例；
间质压力；
坏死比例；
组织结合；
细胞膜转运；
局部代谢；
肿瘤大小与空间结构。

血浆 PK 相同，肿瘤 PK 仍可能不同

如果两组动物接受相同化合物，系统暴露相似，只能说明循环中的药物压力接近。

它不能证明：

肿瘤总浓度相同；
游离浓度相同；
肿瘤边缘与核心分布相同；
靶细胞内浓度相同；
target engagement 相同。

everolimus 的啮齿动物比较研究显示，血细胞分配、蛋白结合、血浆含量、通透性和肿瘤药物摄取之间存在复杂关系；肿瘤自身特征会参与决定组织暴露。［9］

肿瘤总浓度相同，空间分布仍可能不同

肿瘤匀浆会把不同区域混合成一个平均浓度。

两个模型可以具有相似的平均肿瘤浓度，但实际情况可能是：

模型 A 的药物较均匀地分布于活肿瘤区域；
模型 B 的药物主要位于血管附近或肿瘤边缘；
模型 B 的中央低灌注区域几乎没有药物；
大量药物结合在基质或非靶细胞中。

在人源骨肉瘤异种移植研究中，改变肿瘤间质压力可以显著提高脂质体阿霉素的肿瘤摄取并改善肿瘤内分布，说明局部物理环境能够改变同一制剂在肿瘤中的实际药物压力。［10］

因此，跨模型比较时应尽量区分：

血浆总暴露；
血浆游离暴露；
肿瘤总暴露；
肿瘤游离暴露；
空间分布；
target engagement 或近端 PD。

这些层次越靠后，越接近药物真正作用的位置。

微环境不同，会改变暴露，也会改变肿瘤生物学

经典 CDX 中的人源肿瘤细胞生长在鼠源宿主环境里。血管、免疫细胞和大量基质成分来自小鼠，且其比例与组成会随模型和传代变化。

在人源结肠癌异种移植研究中，人源成纤维细胞和白细胞随小鼠体内生长及再传代逐渐减少，鼠源基质成分取而代之。［11］虽然这项观察不能被机械外推到每一个 CDX，但它提示：

CDX 并不是“只有细胞系不同，其他环境完全相同”的系统。

不同模型形成的肿瘤可能在以下方面不同：

血管结构；
细胞外基质；
缺氧；
营养梯度；
坏死；
宿主细胞募集；
生长因子供给；
局部压力。

这些差异既会影响药物递送，也会改变细胞状态和通路依赖性。

因此，在一个模型中观察到的“固有耐药”，可能部分来自：

药物分布不充分；
缺氧或营养压力引起状态变化；
基质提供替代信号；
靶细胞只占肿瘤体积的一部分；
肿瘤中存在不同响应的空间区域。

对照组生长速度会改变药效的表观大小

跨模型比较中，一个常见陷阱是直接比较某个固定时间点的 TGI 或 T/C。

生长快的模型，更容易出现大的绝对差值

如果对照组肿瘤增长很快，即使药物只产生中等程度的生长减速，处理组与对照组之间也可能迅速拉开距离。

生长慢的模型，固定观察期内可能看不出差异

如果对照组本身增长缓慢：

处理组与对照组分离需要更长时间；
固定终点的 TGI 可能不稳定；
小的测量误差可能占据较大比例；
“没有显著差异”可能反映观察窗口或统计效能不足。

Hather 等基于异种移植研究提出以生长速率为基础的分析方法，强调肿瘤生长动力学、研究时长、样本量和实验场地变异都会影响药效判断。［12］

因此，不应把不同模型的某个 TGI 百分比当作天然可比的“敏感度刻度”。

体外增长速度也会影响药物敏感性的表观测量

在体外实验中，传统 IC50 和 Emax 会受到细胞分裂速度影响；使用增长速率校正后，一些看似存在的药物敏感性差异会发生变化。［13］

这个结论不能直接等同于 CDX 肿瘤体积分析，但它提醒我们：

生长速度既是模型生物学的一部分，也是药效测量的混杂因素。

跨模型比较时，应同时查看：

对照组生长曲线；
处理前和处理后的生长速率；
相对基线的变化；
回缩、停滞和生长延缓；
达到终点所需时间；
停药后的再生长。

实验条件的小差异，也可能被放大成模型差异

一些因素看起来只是“操作细节”，却可能与模型特征发生交互。

例如：

细胞接种活率；
接种细胞数；
是否使用基质材料；
接种位置和深度；
肿瘤建立时间；
随机分组时的体积范围；
给药开始时的坏死程度；
测量人员与测量频率；
动物性别、年龄和宿主品系；
制剂批次和给药时间；
PD 取样时间。

多中心细胞药物反应研究显示，即使各实验室使用相同来源的细胞和试剂，生物学背景、培养条件、检测时长和剂量范围等因素仍会影响结果重现性。［14］

这一证据来自体外系统，不能直接量化 CDX 的实验室间差异，但其核心提醒同样适用：

实验条件并不是独立于模型的噪声；某些条件可能只在特定模型中产生明显影响。

例如，同样的随机分组体积范围，对一个高度均一的模型影响很小，对一个快速坏死且形状不规则的模型则可能产生更大的基线不平衡。

五种常见结果组合，分别提示什么？

观察组合	更值得优先检查的层次	暂时不能直接下的结论
血浆暴露相似，肿瘤暴露不同	灌注、通透性、基质、组织结合和空间分布	模型对靶点的生物学依赖不同
肿瘤暴露相似，target engagement 或近端 PD 不同	靶点可接近性、细胞摄取、靶点丰度和检测方法	下游通路决定了全部差异
近端 PD 相似，下游 PD 或药效不同	反馈、旁路、细胞命运和模型依赖性	化合物没有作用于靶点
暴露与 PD 均相似，但肿瘤曲线不同	生长动力学、反应执行、终点评价和空间异质性	一个模型“假阳性”或“假阴性”
高药效伴随明显体重下降或一般状态恶化	治疗窗、非特异性作用和耐受性	已证明目标机制产生选择性抗肿瘤作用

这些组合只是排查方向，而不是自动诊断。真正的解释通常需要多个层次的证据共同支持。

如何判断差异更接近“真实生物学”还是“实验条件”？

可以按下面的顺序逐步缩小范围。

第一步：确认比较对象确实可比

检查：

化合物批次、纯度和制剂；
给药方案；
宿主条件；
随机分组；
肿瘤起始体积；
细胞身份和污染；
细胞传代与批次；
终点定义。

如果这些条件不一致，首先应把结果描述为“不同实验条件下的结果”，而不是纯粹的模型差异。

第二步：比较实际暴露，而不是名义剂量

至少确认：

血浆 PK；
关键时间点肿瘤浓度；
重复给药后是否发生蓄积或清除变化；
耐受性是否限制了真实药物压力。

如果两个模型中的实际暴露不同，不能只用相同 mg/kg 支撑“模型敏感性不同”。

第三步：建立靶点和 PD 层级

尽可能区分：

target engagement；
target modulation；
近端 PD；
下游 PD；
生物学响应；
肿瘤药效。

差异首先在哪一层出现，通常就是机制排查的起点。

第四步：把肿瘤反应按动力学分类

不要只比较一个终点值。应区分：

生长延缓；
生长停滞；
部分回缩；
完全回缩；
持久控制；
停药后再生长；
初始响应后获得性耐药。

两个模型可能具有相似的终点 TGI，却对应完全不同的反应过程。

第五步：用独立证据检验解释

可能包括：

另一种作用机制相同、化学结构不同的化合物；
遗传扰动；
救援实验；
联合抑制反馈或旁路；
独立细胞批次；
第二次体内重复；
不同模型但相同生物标志物背景；
不同时间点的暴露和 PD。

如果差异只在一次实验、一个化合物或一个批次中出现，它更适合被称为“待验证的模型差异”。

跨模型比较中，最容易写过头的五种结论

1. “模型 A 有这个突变，所以它敏感”

突变可以支持假设，但敏感性还取决于谱系、共存改变、反馈网络、暴露和实验条件。

2. “模型 B 没有药效，所以靶点不适用于这个瘤种”

一个 CDX 阴性结果最多支持“该模型在当前方案下未出现明确响应”。它不能代表整个瘤种。

3. “两个模型用了相同剂量，所以药物压力相同”

相同剂量不等于相同系统暴露，更不等于相同肿瘤游离暴露和空间分布。

4. “肿瘤中检测到药物，所以模型是真正耐药”

还需要判断药物是否到达靶细胞、是否形成 target engagement、是否产生充分 PD。

5. “模型 A 的 TGI 更高，所以它比模型 B 更敏感”

不同对照生长速度、观察窗口和反应类型会影响 TGI。跨模型比较需要结合完整生长曲线和动力学指标。

一份更稳妥的跨模型解释清单

面对同一化合物在多个 CDX 中的不同结果，可以依次问：

Model｜模型

细胞身份是否确认？
关键分子特征是否在当前批次复核？
靶点是表达、激活，还是功能依赖？
是否存在已知反馈、旁路或耐药背景？
对照组生长动力学是否稳定？

Exposure｜暴露

名义剂量是否转化为相似血浆暴露？
肿瘤总暴露是否相似？
是否有理由关注游离浓度或空间分布？
耐受性是否导致实际药物压力不同？

Pharmacology｜药理

是否测到 target engagement？
靶点调控深度和持续时间如何？
近端和下游 PD 是否一致？
差异最早出现在哪一个证据层次？

Response｜响应

是生长延缓、停滞还是回缩？
差异从何时开始出现？
停药后是否再生长？
终点是否受到对照组生长速度影响？

Boundary｜边界

结果支持的是模型差异、标志物假设，还是机制假设？
哪些替代解释尚未排除？
是否在独立实验或模型中复现？

这些结果最终能够支持到哪里？

可以支持

同一化合物在特定 CDX 和特定方案下具有不同体内反应；
差异最早出现于暴露、靶点作用、PD 或肿瘤响应中的哪一层；
某个分子背景可能与敏感或不敏感相关；
某条反馈或旁路值得进一步验证；
某个模型不适合用于当前研究问题；
后续模型选择、联合治疗或采样设计需要调整。

不能单独支持

单个基因改变已经被证明是预测性生物标志物；
一个阴性模型代表整个瘤种无效；
一个阳性模型能够预测患者获益；
相同剂量代表相同有效暴露；
肿瘤总浓度代表所有靶细胞的药物压力；
一次跨模型比较已经证明因果机制；
更高 TGI 自动代表更高生物学敏感性。

结语

同一个化合物在不同 CDX 模型中出现不同药效，并不是需要被“消除”的异常。它往往正是模型研究最有价值的部分。

但差异本身不等于解释。

真正值得追问的是：

差异首先出现在模型依赖性、药物暴露，还是实验测量？
同一靶点在两个模型中是否处于同一个功能网络？
药物是否在两个肿瘤中形成了相同深度和持续时间的靶点作用？
肿瘤曲线差异是否经得起生长动力学、耐受性和独立重复的检验？
结论究竟支持一个模型事实，还是一个可推广的生物标志物假设？

跨模型比较的目标，不是把模型简单排成“敏感”和“耐药”两类，而是找到证据链从哪一层开始分叉。

只有知道分叉发生在哪里，我们才知道下一步应该补暴露、补 PD、换模型、验证反馈，还是重新审视最初的生物学假设。

参考资料

Barretina J, Caponigro G, Stransky N, et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature. 2012;483:603–607.
Garnett MJ, Edelman EJ, Heidorn SJ, et al. Systematic identification of genomic markers of drug sensitivity in cancer cells. Nature. 2012;483:570–575.
Iorio F, Knijnenburg TA, Vis DJ, et al. A Landscape of Pharmacogenomic Interactions in Cancer. Cell. 2016;166:740–754.
Tsherniak A, Vazquez F, Montgomery PG, et al. Defining a Cancer Dependency Map. Cell. 2017;170:564–576.e16.
Pacini C, Duncan E, Gonçalves E, et al. A comprehensive clinically informed map of dependencies in cancer cells and framework for target prioritization. Cancer Cell. 2024;42:301–316.e9.
Corcoran RB, Ebi H, Turke AB, et al. EGFR-mediated re-activation of MAPK signaling contributes to insensitivity of BRAF mutant colorectal cancers to RAF inhibition with vemurafenib. Cancer Discovery. 2012;2:227–235.
Ben-David U, Siranosian B, Ha G, et al. Genetic and transcriptional evolution alters cancer cell line drug response. Nature. 2018;560:325–330.
International Cell Line Authentication Committee. Guide to Human Cell Line Authentication. Updated 2023.
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;65:625–639.
Eikenes L, Bruland ØS, Brekken C, de Lange Davies C. Hyaluronidase induces a transcapillary pressure gradient and improves the distribution and uptake of liposomal doxorubicin (Caelyx) in human osteosarcoma xenografts. British Journal of Cancer. 2005;93:81–88.
Maykel J, Liu JH, Li H, et al. NOD-scidIl2rg and NOD-Rag1Il2rg mice as a model for stromal cell–tumor cell interaction for human colon cancer. Digestive Diseases and Sciences. 2014;59(6):1169–1179.
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.
Hafner M, Niepel M, Chung M, Sorger PK. Growth rate inhibition metrics correct for confounders in measuring sensitivity to cancer drugs. Nature Methods. 2016;13:521–527.
Niepel M, Hafner M, Mills CE, et al. A Multi-center Study on the Reproducibility of Drug-Response Assays in Mammalian Cell Lines. Cell Systems. 2019;9:35–48.e5.

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
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
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
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
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
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
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
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
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