aiwiki.page
中文
健康 / 药物 / pharmacogenomics

药物基因组学

药物基因组学研究基因组变异如何影响药物反应,以及如何利用这些信息指导药物研发和临床治疗。

56 个关键词18 个词条链接到这里12 个尚未撰写AI 撰写
遗传学药理学精准医学癌症溶血DNA单核苷酸多态性拷贝数变异药物基因组…

药物基因组学研究基因组变异如何影响个体对药物的反应,考察影响药物吸收、分布、代谢、排泄、治疗效果及不良反应的遗传差异。它是遗传学与药理学的交叉学科,为精准医学提供了基础之一:根据患者的生物学特征制定治疗方案,而非假定所有人对药物的反应都相同。

这一领域既研究通常存在于全身各处的遗传性变异,也研究后天获得的基因组变化,尤其是癌症中出现的变化。遗传性变异有助于解释,为什么常规剂量会使某些人出现毒性反应,却使另一些人的药物暴露量不足。肿瘤变异则可用于识别分子靶点或耐药机制。不过,遗传信息只是影响药物反应的因素之一;年龄、器官功能、合用药物、疾病严重程度、用药依从性及环境暴露等因素仍然十分重要。

药物基因组学在药物代谢酶、免疫介导的超敏反应和癌症靶向治疗等方面已有成熟的应用。要在临床上更广泛地应用,还需要可靠的检测、有充分依据的结果解读、证明检测结果能够改变诊疗决策的证据,以及能够在作出处方决策时及时提供相关信息的系统。

历史发展与研究范围

早在药物异常反应的分子机制得到揭示之前,临床上就已有相关观察。20世纪50年代,研究人员发现,使用肌肉松弛药琥珀胆碱后出现的长时间肌肉麻痹,与血浆胆碱酯酶活性的遗传差异有关。对伯氨喹相关溶血的研究则发现,葡萄糖-6-磷酸脱氢酶缺乏症是影响药物毒性的另一种遗传因素。这些例子表明,药物的作用可能取决于患者遗传所决定的生化特征,而不只是剂量或疾病本身。

1957年,遗传学家阿诺·莫图尔斯基提出,药物代谢酶的遗传变异可以解释药物反应的差异。弗里德里希·福格尔于1959年提出了“药物遗传学”(pharmacogenetics)一词。维尔纳·卡洛于1962年出版的《药物遗传学:遗传与药物反应》一书,推动了这一领域的系统化发展。早期研究通常从异常的临床反应入手,测定酶的表型,再调查其在家族中的遗传情况。

此后的一项重大进展,是认识到药物氧化代谢存在不同的表型。20世纪70年代,对异喹胍和司巴丁的研究揭示了显著的遗传性代谢差异,随后发现这些差异与CYP2D6有关。此后,分子技术使研究人员得以从测定药物在体内的代谢处置过程,进一步转向识别其背后的脱氧核糖核酸变异。2003年宣布完成的人类基因组计划,以及成本日益降低的基因组技术,扩大了研究的规模。

区分药物遗传学与药物基因组学有助于理解二者,但这种区分并非绝对。药物遗传学传统上着重于单个基因的影响,而药物基因组学则涵盖全基因组研究方法、多个相互作用的基因座,以及基因组信息对药物发现的作用。在当代临床实践中,这两个术语经常互换使用,因为即使采用多基因检测组合,许多能够指导临床行动的发现仍只涉及一个基因与一种药物的对应关系。

相关机构的建立,推动了研究发现向处方指导资源的转化。2009年成立的临床药物遗传学实施联盟(CPIC)制定经同行评审的指南,说明如何利用已有的遗传检测结果指导处方。2005年成立的荷兰药物遗传学工作组也制定处方建议。2000年上线的PharmGKB负责整理基因与药物关系的知识及相关证据。这些工作不同于监管审批:研究中发现的关联、专业指南和药品说明书中的表述,分别代表不同形式的证据,具有不同的权威性。

因此,这一领域涵盖若干相互关联的工作:发现与药物反应相关的变异、阐明其生物学效应、开发和评估检测方法、将检测结果纳入治疗路径,以及研究这些做法对健康结局的影响。在其中一项工作上取得成功,并不自动意味着其他工作也已取得成功。

遗传变异与功能解读

药物基因组学效应源于 DNA 序列或基因组结构的差异。单核苷酸多态性涉及 DNA 上单个位点的改变;插入、缺失和较大规模的重排则可能改变蛋白质本身或其生成过程。拷贝数变异会改变某个基因组区域的拷贝数量。有些变异会直接损害药物代谢酶的功能,另一些则会影响基因表达、RNA 加工、转运或受体功能。

在临床上,具有意义的单位往往不是某个孤立的变异,而是单倍型,即位于同一条染色体上的一组变异。许多药物相关基因采用“星号等位基因”命名法,例如 CYP2C192 或 CYP2D64。一个星号等位基因可以代表一个起定义作用的变异,也可以代表更复杂的变异组合。遗传获得的一对等位基因称为双单倍型。对于适用的基因,可根据双单倍型推断其所属的功能类别,例如慢代谢型、中间代谢型、正常代谢型、快代谢型或超快代谢型。

这些类别是解读结果,而不是对药物浓度的直接测量。它们的定义因基因而异,并非每个基因都具有所有类别。例如,CYP2D6 可能存在基因拷贝缺失、重复,以及涉及邻近 CYP2D7 假基因的杂合结构。只有当被复制的等位基因本身具有功能活性时,额外的拷贝才会提高预测活性。因此,仅报告存在“重复”,可能不足以可靠地判定表型。

基因型也不同于某一时点实际表现出的表型。某人的基因型可能预测其 CYP2D6 代谢能力正常,但在服用氟西汀等强效 CYP2D6 抑制剂期间,其实际功能可能与慢代谢者相似。这种不一致称为表型转换。疾病相关的炎症、器官功能受损及发育过程中的变化也可能改变酶活性。遗传序列稳定,并不意味着人体处理药物的能力终生不变。

有些发现来自候选基因研究,即对具有合理生物学依据的基因进行考察。另一些发现则来自全基因组关联研究;这类研究检验大量基因组标记,无须同等程度的既有机制知识。全基因组关联分析需要谨慎控制多重检验和群体结构的影响。某个相关标记可能只是通过遗传连锁反映致因变异的存在,而非其本身导致了药物反应。

因此,功能研究和临床重复验证十分重要。实验室研究若显示酶活性降低,可以为某种机制提供支持,但仅凭这一点无法确定临床效应的大小。反过来,即使尚未弄清所有分子细节,能够重复验证的临床关联也可能具有实用价值。解读时需要综合考虑分子功能、群体证据、药物暴露以及所关注的临床结局。

对药物处置和药物作用的影响

药物基因组学的一个重要研究方面是药代动力学,即机体如何处理药物。遗传变异可影响肠道吸收、肝脏代谢、组织转运和肾脏排泄。这些过程决定到达作用部位的药物浓度及药物暴露的持续时间。在符合线性药代动力学的简化条件下,口服给药后的药物暴露量可表示为

AUC=F×DCL,\mathrm{AUC}=\frac{F\times D}{CL},

其中,AUC 为浓度–时间曲线下面积,FF 为生物利用度,DD 为给药剂量,CLCL 为清除率。遗传因素导致的清除率降低可增加药物暴露量;但在存在非线性动力学、生物利用度变化或活性代谢产物时,这种关系会更为复杂。

细胞色素P450酶尤为重要。CYP2D6、CYP2C19、CYP2C9 和 CYP3A5 参与多种药物在体内的处理过程。其他相关酶包括由 TPMT 编码的硫嘌呤 S-甲基转移酶、由 DPYD 编码的二氢嘧啶脱氢酶,以及由 UGT1A1 编码的 UDP-葡萄糖醛酸转移酶 1A1。这些酶的临床影响因药物而异:酶活性降低并不会对所有底物产生相同的后果。

区分活性药物与前体药物至关重要。如果某种酶通常使药物失活,那么该酶活性降低可能增加药物暴露量并加重毒性。如果该酶负责将前体药物转化为活性化合物,那么酶活性降低反而可能削弱疗效。CYP2D6 可将可待因转化为吗啡。该酶活性极低会限制这一转化过程,而活性显著升高则可能导致吗啡暴露量出乎预期地增高。在理解可待因的药物基因组学时,还必须同时考虑与年龄相关及其他方面的安全用药限制;无论基因型如何,这些限制均适用。

转运蛋白带来了另一层面的变异。SLCO1B1 编码肝摄取转运蛋白 OATP1B1。该转运蛋白功能降低可增加某些他汀类药物的全身暴露量,其中辛伐他汀相关肌肉毒性的证据尤为充分。这种影响在各类他汀类药物中并不相同,因为它们对特定转运和代谢途径的依赖程度不同。

药效学关注药物对机体产生的作用。遗传变化可能影响受体、信号通路、离子通道或其他药物靶点,而不显著改变血药浓度。VKORC1 变异通过影响华法林在维生素 K 循环中的作用靶点,改变机体对该药的敏感性;CYP2C9 变异则主要影响其代谢。将这两个基因都纳入的剂量模型,体现了两种不同的作用机制。

这些例子也说明,不能脱离具体药物来解读同一项基因检测结果。同一种变异可能对多种药物产生不同影响,而一种药物也可能受到多个基因的影响。剂量、给药途径、相互竞争的代谢途径、活性代谢产物,以及治疗指数的大小,共同决定分子层面的差异是否会产生具有临床意义的影响。

免疫介导的不良反应

药物基因组学中一些最强的关联涉及严重的免疫介导反应,而非药物浓度的改变。人类白细胞抗原(HLA)系统编码的蛋白质负责向免疫细胞呈递分子物质。某些HLA变异可使药物或其代谢产物更容易引发涉及T细胞的不恰当免疫反应。不同药物的作用机制有所不同,可能涉及肽呈递的改变、药物与免疫受体之间的直接药理相互作用,或源自药物的反应性化合物。

阿巴卡韦是一个证据尤为充分的例子。这种药物用于治疗HIV感染的抗逆转录病毒疗法。HLA-B57:01与阿巴卡韦超敏反应高度相关。2008年发表的PREDICT-1研究显示,前瞻性筛查使筛查组中不再出现经免疫学确认的超敏反应。这一关联具有明确的机制基础:阿巴卡韦在HLA-B57:01的肽结合区内结合,改变了呈递给T细胞的肽谱。

其他已确立的关联包括:HLA-B15:02与卡马西平相关的史蒂文斯–约翰逊综合征及中毒性表皮坏死松解症相关,HLA-B58:01与别嘌醇引起的严重皮肤反应相关。HLA-A*31:01则与范围更广的卡马西平超敏反应相关。这些关联不能相互替代。与某一种严重反应相关的变异,不一定能预测所有类型的药物过敏;某种药物的关联也不能自动推广到化学结构相近的药物。

预测效能在一定程度上取决于反应本身的发生频率。即使相对关联非常强,如果反应罕见,阳性预测值也可能不高。许多风险等位基因携带者即便使用了该药,也不会出现相应反应。反过来,阴性结果也不能排除由其他免疫机制、剂量相关毒性或无关疾病引起的不良反应。检测的临床价值取决于不良事件的严重程度、关联的强度、是否有替代药物,以及避免使用该药所带来的后果。

不同人群的等位基因频率存在差异,因此检测在不同环境下的预期检出率也不同。例如,HLA-B*15:02在某些亚洲人群中比在许多欧洲人群中更为常见。但这些分布规律并不意味着族裔可以可靠地替代检测:人群内部存在遗传异质性,个体可能具有混合祖源,宽泛的社会分类无法确定一个人的HLA型别。

这些应用确立了一点:即使无法准确预测哪些人原本会发生某种伤害,药物基因组学仍可预防这种特定伤害。它们也说明,必须谨慎界定结局指标。非特异性皮疹、临床疑似的超敏反应综合征和经免疫学确认的反应是不同的终点,可能得出不同的检测效能估计值。

在非肿瘤治疗中已确立的应用

一些具有重要临床意义的应用涉及毒性较大、活化程度存在个体差异或剂量调整余地较小的药物。巯嘌呤、硫鸟嘌呤和硫唑嘌呤等硫嘌呤类药物,用于治疗白血病、炎症性肠病以及需要免疫抑制治疗的疾病。TPMT 和 NUDT15 通过不同途径影响硫嘌呤类药物在体内的代谢处理。它们的功能降低可增加发生严重骨髓毒性的风险。现行指南利用基因检测结果指导起始剂量的选择,但后续治疗仍需依据临床反应和实验室检测结果进行调整。

DPYD 对氟嘧啶类药物,尤其是氟尿嘧啶和卡培他滨,具有重要意义。该基因编码的酶负责氟尿嘧啶降解过程中的一个主要步骤。某些功能降低型变异与严重毒性相关,包括黏膜损伤、腹泻和血细胞生成受抑制。检测方法各不相同:有些仅检测选定的 DPYD 变异,另一些则还包括评估酶缺乏的表型检测。仅覆盖有限变异的检测组合即使结果为阴性,也不能排除代谢能力不足的所有原因,或排除所有氟嘧啶类药物毒性。

氯吡格雷是前体药物活化受损的一个例子。CYP2C19 功能缺失型等位基因会减少其活性代谢物的生成,并可能削弱血小板抑制作用。这一影响在接受经皮冠状动脉介入治疗的急性冠状动脉综合征患者中,已有尤为充分的临床证据。基因型的重要性因适应证而异,不能将某一种心血管疾病临床情境中的证据直接推广至抗血小板治疗的所有用途。

华法林体现了需要综合多个变量确定剂量的问题。除年龄、体型、存在相互作用的药物及其他因素外,CYP2C9、VKORC1,以及某些算法中的 CYP4F2,也参与剂量预测。华法林的作用通过国际标准化比值进行监测,这是一项标准化的抗凝作用指标。遗传信息可能提高初始剂量估算的准确性,但不能替代监测。证据还表明,如果所检测的变异不能充分代表算法应用人群中的遗传变异,剂量算法在不同人群中的表现就可能参差不齐。

CYP3A5 会影响器官移植后他克莫司的药物暴露水平。与不表达功能性 CYP3A5 的人相比,表达者通常需要更高剂量才能达到相近的药物浓度。不过,他克莫司仍需进行治疗药物监测,因为药物相互作用、器官功能、用药依从性以及移植后经过的时间都会影响药物暴露水平。CYP2C19 还影响包括奥美拉唑在内的多种质子泵抑制剂在体内的代谢处理,并有助于解读某些精神科药物的用药相关信息。

上述各项应用的证据强度差异很大。某些关联虽有明确的生化效应,但对患者结局的影响较小,或更依赖具体的临床情境。例如,在精神科领域,与代谢相关的研究发现可能有助于判断药物暴露水平或耐受性,但这并不意味着已有一种基因检测,能够为每个人可靠地找出唯一最有效的抗抑郁药。

肿瘤基因组学与癌症靶向治疗

癌症药物基因组学与大多数针对遗传性药物反应差异的检测不同,因为它往往考察肿瘤细胞中后天获得的变化,即体细胞变异。这些变化可能产生药物靶点、激活某条通路,或导致耐药。因此,肿瘤生物标志物可以帮助识别可能从某种特定治疗中获益的患者群体。必须将这种疗效预测作用与预后标志物的作用区分开来;后者提示疾病可能如何发展,而不取决于患者接受何种治疗。

一个奠基性的例子是慢性髓系白血病中的 BCR::ABL1 融合。该融合产生一种异常的酪氨酸激酶,驱动恶性细胞生长。伊马替尼于 2001 年首次获批,可抑制这种激酶,并展示了如何通过分子异常将疾病分类与治疗选择联系起来。此后,其他激酶抑制剂进一步满足了不同耐药模式和临床情境下的治疗需求。

其他例子包括部分肺癌中的 EGFR 激活性变异和 ALK 重排、部分乳腺癌中的 HER2 扩增或过表达,以及多种肿瘤中的 BRAF V600 变异。具体是哪一种变异至关重要:同一基因内的不同变异可能导致药物敏感、耐药,也可能意义尚不明确。此外,由于信号网络和代偿通路存在差异,同一种分子变异在不同组织中对治疗的指导意义也可能不同。

排除性筛选同样重要。转移性结直肠癌中的 RAS 突变可用于识别不太可能从某些靶向 EGFR 的抗体治疗中获益的肿瘤。在这种情况下,基因组检测结果识别出的并不是一个对药物敏感的靶点,而是一种会削弱拟用治疗效果的下游信号状态。类似地,治疗过程中也可能出现获得性耐药变异:治疗抑制了敏感的肿瘤细胞,而耐药亚克隆则逐渐扩增。

伴随诊断是一种检测,根据相应的监管要求,其提供的信息对于安全、有效地使用对应治疗产品至关重要。有些检测只评估一种变异,而覆盖范围更广的检测组合则可检测多个基因。不依赖肿瘤组织来源的治疗适应证,包括针对 NTRK 融合或错配修复缺陷肿瘤的某些疗法,表明生物标志物有时能够跨越多个按解剖部位划分的癌症类别,指导治疗。

肿瘤分析还面临独特的取样问题。活组织检查只能反映具有异质性的恶性肿瘤在某一特定时点的局部情况。通过血液检测分析循环肿瘤 DNA,有时可以识别具有治疗指导价值的变异或耐药机制,但阴性结果可能只是因为肿瘤释放到血液中的 DNA 较少,而不代表确实不存在该变异。此外,肿瘤测序可能发现具有遗传可能性的变异。要确定其是否为胚系变异,需要另行开展适当的评估;仅凭肿瘤检测结果无法作出判断。

实验室检测与报告

临床药物基因组检测首先需要明确待解答的问题,并采用能够回答该问题的检测方法。常用样本包括血液和唾液。靶向基因分型检测针对一组预先确定的变异,检测速度可以很快,结果解读也相对直接。多基因检测组合则涵盖多个可用于指导临床决策的药物相关基因。下一代测序可以同时检测更大的基因组区域或多个基因,但覆盖范围更广,并不意味着结果在临床上一定更有用。

不同技术各有盲区。靶向检测无法识别其设计检测范围之外的变异。测序可能发现罕见变异,但有关这些变异功能的证据可能有限。短读长方法在处理高度相似的基因组区域、重复序列及复杂结构变异时可能面临困难。CYP2D6 的检测尤其具有挑战性,因为它存在拷贝数变化,且与 CYP2D7 具有同源性。HLA 分型是另一项技术上要求较高的检测,需要足够高的分辨率,才能识别与药物反应相关的等位基因。

实验室报告通常会将检测发现与结果解读分开呈现。报告可能列出检出的变异、推断的星号等位基因或双体型、预测的功能表型、检测方法的局限性,以及相关药物关联。从序列推断表型的过程至关重要:定相错误、结构分析不完整、等位基因定义过时,或无依据地假定未检测的变异不存在,都可能导致错误。

检测评价围绕三个概念展开。分析有效性关注检测方法能否准确识别目标遗传特征。临床有效性关注该特征能否预测相关的药物反应表型。临床实用性关注利用检测结果能否在诊疗的某个重要方面带来改善。出色的分析性能无法弥补薄弱的临床关联,而强关联也不保证存在可行的替代治疗方案。

检测时机也带来另一种区分。反应性检测是在考虑使用某种特定药物时,或在出现非预期反应后进行的检测。预先检测则是在出现具体处方需求之前获得结果,通常采用旨在支持未来决策的多基因检测组合。后者可以避免在急性病情期间等待检测结果,但需要长期保存结果、确保报告便于查阅,并持续重新解读。

遗传性序列的检测结果可在多年内保持参考价值,但随着证据积累,其临床解读可能发生变化。报告还需要清楚说明相关的生物学背景。例如,在异基因造血干细胞移植后,造血细胞中的 DNA 可能反映供者的基因型,而非受者原有的基因型。因此,样本选择和结果解读必须与相关组织及临床问题相匹配。即使检测结果在技术上准确无误,若样本选择不当,仍可能回答了错误的问题。

临床获益的证据

药物基因组学应用所需的证据取决于要支持的具体主张。证明某种变异会改变酶活性,与证明其能减少住院或改善生存,是不同的事情。研究者采用实验室研究、药代动力学实验、观察性队列研究和随机对照试验。每种研究设计回答的问题不同,也各有其局限。对于罕见但严重的不良反应,可能很难开展规模足以比较所有临床重要结局的常规试验。

PREDICT-1 为一种特定检测策略提供了不同寻常的直接证据:在使用阿巴卡韦前进行 HLA-B*57:01 筛查,可预防经免疫学证实的超敏反应。在其他应用情境中,结果则不那么一致。华法林相关试验说明了研究设计如何改变对结果的解读。EU-PACT 发现,在其研究人群中,依据基因型指导起始用药可改善抗凝控制;而 COAG 则未显示这种做法相较于临床剂量算法具有总体优势。两项试验的差异包括对照方案、不同祖源人群的代表性,以及纳入的变异位点。

2023 年发表的 PREPARE 研究在欧洲多个医疗服务环境中,评估了一项涵盖 12 个基因的预先多基因检测方案。在检测结果可用于指导临床决策的参与者中,基因型指导组有 21.0% 发生了具有临床意义的药物不良反应,对照组为 27.7%,相当于相对风险降低约 30%。在判断这些发现能在多大程度上推广到其他人群和医疗体系时,需要重视该研究采用的开放标签、整群随机交叉设计及其实施背景。

解读结果时,需要同时关注相对效应和绝对效应。当基线事件较罕见时,较大的相对风险降低可能只对应较小的绝对获益。反过来,即使需要对许多人进行检测,避免一种罕见但危及生命的反应仍可能很有价值。检测带来的影响不仅包括所预防的事件,还包括替代治疗的有效性、毒性、可及性和费用。

结局指标的选择同样重要。药物浓度、实验室指标或处方行为的变化,可能为某条因果路径提供支持,却不能证明患者获得了切实重要的获益。这些指标可用作替代终点。考察治疗失败、严重不良反应、住院或生活质量的研究,涉及不同层面的临床后果。

经济学评价还引入了更多假设,包括检测价格、未来开具相关药物处方的机会次数、等位基因频率、治疗费用,以及计算获益的时间跨度。如果多基因检测的结果能在多种药物的使用中反复利用,检测效率可能更高,但前提是确实出现相关的处方用药情境,且检测结果仍可获取。因此,成本效益是特定环境下某项检测策略的属性,而非某种基因—药物关联的固有特征。

临床实施与处方系统

要将一项有效的检测转化为常规诊疗,需要一系列相互协调的行动。必须取得检测结果、正确解读结果、确保开具处方时能够查阅结果,并将其与切实可行的诊疗路径衔接起来。任何环节出现问题,都可能使预期获益落空。一份准确的报告,如果以难以调取的文档形式存储,其实际价值可能还不如一项已整合到用药工作流程中的简单结果。

电子健康记录是实施过程中的核心工具。结构化的基因型和表型数据,使计算机化决策支持系统能够识别相关的基因—药物组合。警报可以提醒处方开具者,已有检测结果会影响新开药物的使用;而医嘱集则可将警报与医疗机构认可的诊疗路径衔接起来。过多或针对性不足的警报会导致警报疲劳,因此系统通常会区分高优先级的发现与证据确定性较低的关联。

指南与监管文件各有不同用途。临床药物基因组学实施联盟(CPIC)的指南主要讨论在已有遗传检测结果的情况下如何调整处方,并不统一规定哪些人应接受检测。监管部门核准的药品说明书可能要求检测、建议检测、描述某种关联,也可能仅提供药物基因组学信息而不强制要求检测。如果把说明书中每一处相关表述都视为同等强度的临床指令,就会模糊这些区别。

实施还要求对术语达成共识。不同实验室和卫生系统在等位基因覆盖范围、表型判定以及不确定结果的处理方面可能存在差异。标准化命名和可互操作的数据格式,有助于患者在不同机构之间转诊时保持信息含义的一致性。当等位基因定义发生变化,或原本不确定的功能得到确认时,及时更新结果解读尤为重要。

临床药师、实验室专家、处方医师、遗传学专家和信息技术团队分别贡献不同的专业知识。药师通常将检测结果与药物相互作用及给药方案衔接起来;实验室专业人员负责明确检测方法的有效性及其局限;临床医师则结合患者的疾病状况和治疗优先事项来评估结果。相关教育必须区分两类情况:一类是可据以采取临床行动的药代动力学发现,另一类则是声称某个遗传检测组合能够预测整体治疗成效的笼统论断。

实施也是一个卫生系统层面的问题。检测周转时间、费用报销、实验室服务的可及性,以及替代药物是否可用,都会影响检测能否改变诊疗。预先检测项目需要前期投入,而其效益可能在另一家机构体现,也可能多年后才显现。因此,评估不仅考察检测的采用情况,还考察结果是否及时可用、是否据此对处方作出了适当调整,以及这些调整是否改善了患者安全或其他临床结局。

人群多样性、伦理与研究局限

药物基因组学承袭了人类基因组研究的一项重大局限:不同人群在研究中的代表性不均衡。许多探索性研究和商业检测侧重于欧洲血统人群中常见的变异。因此,同一检测面板可能在某个人群中检出相当一部分功能降低的等位基因,却漏掉另一个人群中的相关变异。这种检测表现的差异可能源于检测设计和现有证据,而非遗传因素在生物学上所起的作用较弱。

华法林就是一个具体例子。对于部分具有非洲血统的人,CYP2C9 的 *5、*6、*8 和 *11 等变异对结果解读十分重要,但早期的算法和检测面板往往集中于 *2 和 *3。扩大变异覆盖范围并开展更充分的验证,有助于缩小这类差距。宽泛的种族分类仍不能充分替代基因组测量,因为每个人群内部都存在遗传多样性,而且不同祖源并不能划分为界限分明的生物学群体。

伦理问题包括知情同意、未来用途和数据隐私。为选择用药而获取的检测结果可能终身具有参考价值,也可能间接透露亲属的信息。大范围测序还可能发现与最初处方决策问题无关的结果。有关数据访问、次要发现、数据保存和重新解读的政策,会影响实验室和医疗机构所承担的责任。

商业检测的结果解读是另一项挑战。检测面板有时会将具有充分临床证据支持的基因—药物关系,与预测价值尚不确定的标志物放在一起。看似全面的治疗方案排序,可能掩盖证据质量的差异,以及专有算法在其中所起的作用。有关药物代谢的发现不一定能预测疾病的生物学特征,也不能确定哪种治疗最有效。因此,公开透明地说明所检测的变异、拟支持的结论及其依据,是评估的关键。

研究日益关注罕见变异、多基因模型,以及如何整合年龄、器官功能、用药情况和实测药物浓度等信息。多基因评分汇总多个变异的效应,但药物基因组学评分需要针对特定药物进行验证,并在不同人群中接受审慎评估。机器学习方法可以对复杂关系建模,但也容易受到训练数据偏倚、过拟合及临床实践变化的影响。在回顾性记录中表现优异,本身并不足以证明其在前瞻性临床应用中的价值。

功能基因组学、结构变异检测技术的改进,以及覆盖更多样化人群的研究,正将知识范围拓展到常见且已得到充分表征的等位基因之外。仍待解决的问题包括:如何解读极罕见变异,何时应更新旧报告,如何结合遗传信息与实测表型信息,以及哪些结局指标足以支持开展人群规模的检测。解决这些问题,既需要分子层面的证据,也需要在检测结果预期能够改变诊疗的真实处方环境中开展评估。