新品发布｜橡瞳TM-AI+肿瘤类器官芯片药敏预测平台：治疗前洞悉药物反应

同一种癌症，为什么有人用药有效，有人却几乎无效？

这是肿瘤治疗和抗癌药物研发中最核心的问题之一。

肿瘤具有高度异质性。即便是同一癌种、同一分期、甚至相似基因突变背景的患者，对同一种药物的反应也可能充分不同。

基因检测可以提供重要线索，但它并不能充分回答一个关键问题：

这个患者的肿瘤，真的会对这个药有反应吗？

而这一篇，我们进一步进入肿瘤精准治疗和抗癌药研发的核心场景：

药物到底对谁有效？

为此，大橡科技推出橡瞳^TM-AI+肿瘤类器官芯片药敏预测平台（Oakuloid^TM-PDOFormer）。

01 肿瘤精准治疗，不能只看基因

过去十多年，基因检测极大推动了肿瘤精准治疗的发展。但在实际临床和药物研发中，基因信息并不总是等同于药物反应。

原因在于：

◇ 肿瘤药物反应受多基因、多通路共同影响；

◇ 肿瘤微环境会影响药效；

◇ 同一突变背景下仍可能存在不同耐药机制；

◇ 联合用药反应难以仅靠单一基因判断；

◇ 部分患者缺少明确可解释靶点。

因此，肿瘤药敏预测需要从看基因进一步走向看功能反应（图1）。

也就是直接观察：肿瘤在药物作用下到底发生了什么。

图1. Vlachogiannis等发表于Science（2018）的Figure1F。该图显示，同一患者的3个类器官均携带PIK3CA H1047R突变，却对同一PI3K/mTOR抑制剂GDC-0980表现出不同反应。（Vlachogiannis G, et al. Patient-derived organoids model treatment response of metastatic gastrointestinal cancers. Science. 2018;359:920–926. ）

02 患者来源类器官，在体外重建肿瘤药物反应

橡瞳^TM-AI+肿瘤类器官芯片药敏预测平台基于患者来源肿瘤类器官模型，结合AI分析系统，对药物敏感性、耐药趋势和联合用药效果进行预测。

患者来源肿瘤类器官能够在体外保留原肿瘤的部分组织结构、细胞异质性和分子特征，为药效评价提供更接近真实肿瘤状态的模型基础。

平台可帮助回答：

◇ 该肿瘤是否对某个药物敏感？

◇ 是否存在潜在耐药风险？

◇ 哪些患者亚型更可能获益？

图2.构建了一套基于共享Transformer主干网络的三阶段迁移学习的框架：首先利用泛癌种细胞系数据进行预训练；随后基于四类癌症的患者来源类器官数据进行微调；最后将模型应用于癌症基因组图谱（TCGA）患者队列，预测药物反应。

03 AI让药敏数据更有解释力

传统药敏实验可以看到药物反应，但面对复杂数据，仍需要更强的分析能力。

橡瞳^TMAI+肿瘤类器官芯片药敏预测平台可整合：

◇ 药物反应曲线；

◇ IC50/GR值等药效参数；

◇ 分子分型信息；

◇ 多组学数据；

◇ 临床背景信息。

AI模型可进一步识别药物敏感性模式，辅助预测患者亚群和潜在耐药机制。

04 一端连接新药研发，一端连接临床服务

对于药企研发团队，平台可用于：

◇ 抗肿瘤药物临床前药效评价；

◇ 适应症拓展；

◇ 生物标志物探索；

◇ 患者分层策略设计；

◇ 临床试验前人群响应预测。

对于医院科研团队，平台可用于：

◇ 个体化用药研究；

◇ 疑难肿瘤药敏探索；

◇ 真实世界药敏数据库建设；

◇ 转化医学课题合作；

◇ 耐药机制研究。

【肿瘤药敏预实战案例】

图3.展示了平台对不同药物反应的预测值与实验实测值是否一致。横轴为56种药物，纵轴为Pearson相关系数，数值越接近1，代表预测结果与实测结果越一致。图中橙色点代表肿瘤类器官芯片药敏预测平台，其在56种药物上的平均相关系数为0.681，并在其中34种药物上取得各比较方法中的最高结果；对于吉西他滨、顺铂和紫杉醇，相关系数分别达到0.854、0.797和0.864。这说明平台能够较好地识别不同样本对具体药物的反应差异。