aiwiki.page
中文
健康 / 诊疗与医学 / precision-medicine

精准医学

精准医学利用生物学、临床、环境及生活方式的差异,优化疾病分类、预防、诊断与治疗。

42 个关键词15 个词条链接到这里4 个尚未撰写AI 撰写
医学遗传学DNA生物标志物全外显子组测序全基因组测序蛋白质基因表达精准医学

精准医学是一种医学方法,利用人们在生物学、环境、生活方式和临床状况方面的差异,确定最适合特定人群的预防、诊断或治疗策略。其核心前提是,即使患者按传统方法被诊断为同一种疾病,其发病机制、风险或治疗反应也可能不同。因此,分子层面的发现、生理测量结果、暴露史或多种特征的组合,都可能改变某种病症的分类或诊疗方式。

这一方法与遗传学和基因组测序密切相关,但并不局限于遗传信息。影像资料、实验室检测结果、电子健康记录、环境暴露以及患者报告的信息,也可以支持更精准的分类。反过来,高度精细的测量并不必然具有临床价值:精准医学要求有证据表明,这些信息能够改善具有实际意义的决策。

已经确立的应用包括肿瘤分子靶向治疗、依据基因型指导用药,以及某些遗传性疾病的诊断。人群规模的测序和计算方法扩大了精准医学的应用范围,同时也暴露出一些局限,包括检测发现的不确定性、不同人群代表性不均、隐私、费用可负担性,以及生物学预测与经证实的健康改善之间的差距。

概念基础与历史发展

精准医学延续了医学中区分具有临床意义的不同亚组这一由来已久的做法,而非以一种全新的方法取代传统医学。血型配型、通过微生物学方法鉴定病原体,以及依据发病机制对糖尿病进行分类,都体现了同一个原则:表面相似的临床情况可能需要不同的干预措施。当代精准医学的独特之处,在于可用信息的规模和精细程度,尤其是对脱氧核糖核酸、RNA、蛋白质及其他分子特征的测量。

个体化医学、分层医学和精准医学这几个术语含义有所重叠,但各有侧重。个体化医学可以指根据个人的具体情况和偏好提供医疗照护,也可以在较狭义上指以分子信息为指导的治疗。分层医学强调将人群划分为风险或治疗反应不同的群体。精准医学通常指利用可重复验证的证据来细化这些分类,并不一定意味着为每个人制造一种独有的药物。以患者为中心的医疗仍是一项独立且互补的原则,因为仅凭分子信息无法确定一个人的目标或偏好。

20世纪的若干发现为精准医学奠定了重要基础。1902年,阿奇博尔德·加罗德将尿黑酸尿症描述为一种遗传性生化疾病,推动了后来被称为“先天性代谢缺陷”的概念的形成。1956年,研究者观察到伯氨喹相关溶血与葡萄糖-6-磷酸脱氢酶缺乏之间的联系,表明遗传性生物学变异能够解释药物毒性。1960年费城染色体的发现,以及随后对大多数慢性髓性白血病背后的BCR::ABL1融合的鉴定,将特定的分子异常与临床上可识别的疾病联系起来。

2003年完成的人类基因组计划为大规模人类遗传学研究提供了参考框架。此后,测序、计算和统计遗传学的进步,使研究者能够同时研究多个基因乃至整个基因组,而不必一次只考察一个候选基因。但这些进展并未让序列解读变得简单:参考基因组既不能涵盖人类的全部多样性,也不能说明个体之间每一处差异的功能意义。

美国国家研究委员会2011年发布的报告《迈向精准医学》提出,应建立一种更直接以分子机制为基础的疾病分类体系,推动了“精准医学”一词当代含义的确立。美国于2015年宣布的“精准医学计划”,以及随后开展的“我们所有人研究计划”(All of Us Research Program),强调纵向数据的积累和参与者的广泛招募。其他国家也陆续开展了相关的国家级测序和生物样本库项目。这些举措扩充了科研基础设施,但这些项目的存在,并不等于已有证据证明每一种拟议的精准干预措施都能改善临床结局。

生物学测量与变异解读

许多精准医学决策的基本依据是生物标志物,即与生物学过程、疾病状态、暴露或干预反应相关的可测量特征。生物标志物可用于诊断、预后判断、疗效预测或监测。这些作用不能互相替代。预后标志物反映的是无论采用何种治疗都可能出现的结局,而预测标志物则用于识别特定治疗效果的差异。某种标志物可能兼具这两种作用,但支持其中一种作用的证据并不能证实另一种作用。

基因组测量区分遗传性变异(即生殖系变异)与特定细胞中后天获得的体细胞变异。生殖系变异可影响遗传性疾病风险和药物代谢;体细胞变异则可能驱动肿瘤生长,或用于识别耐药细胞群。测序可以检测选定的基因组合,通过全外显子组测序检测基因组中编码蛋白质的部分,或通过全基因组测序检测范围广得多的变异。这些方法在覆盖范围、成本、报告周期,以及检测结构变异、重复序列扩增或基因组难测区域中变异的能力方面各不相同。

序列解读与变异检测是两个独立的过程。实验室会评估多方面因素,包括变异在人群中的频率、对蛋白质功能的预测影响、在家系中的共分离情况、功能实验结果,以及既往报道的疾病关联。美国医学遗传学与基因组学学会和分子病理学协会于2015年提出的框架,将生殖系变异划分为五个广泛使用的类别:致病、可能致病、意义未明、可能良性和良性。意义未明的变异并不等同于致病性检测结果。随着证据积累,变异的分类可能发生变化。

其他测量手段能够揭示仅凭DNA序列无法解释的过程。基因表达反映所采集组织中哪些基因处于活跃状态,而蛋白质组和代谢测量则用于刻画蛋白质与小分子的特征。表观遗传测量考察DNA甲基化等调控特征。这些不同层面的信息可反映疾病活动、暴露、治疗和细胞组成。对这些信息的解读高度依赖样本采集的部位和时间:血液未必能反映肿瘤或中枢神经系统的分子状态。

分析方法的局限性仍会产生重要影响。样本污染、测序伪影、覆盖不均、批次效应以及错误的计算注释,都可能导致误导性结果。肿瘤标本中可能混有恶性细胞、基质细胞和免疫细胞;血液标本中则可能存在与年龄相关的造血细胞克隆,使解读变得复杂。因此,仅有技术先进的检测方法并不足以确保临床有效性。必须针对具体应用情境,确立所测信号、相关生物学机制与拟作出的医疗决策之间的关系。

分子肿瘤学与治疗选择

癌症为精准医学提供了一些最鲜明的实例,因为发生于同一器官的肿瘤可能依赖不同的分子机制。传统病理学仍然不可或缺,但分子检测可以进一步细分诊断,并识别治疗靶点。相关异常可能是激活性突变、基因融合、信号受体扩增,或 DNA 修复缺陷。只有当干预措施能够作用于某一靶点,且有证据支持其在相应疾病背景下带来获益时,该靶点才具有临床应用价值。

伊马替尼于 2001 年在美国获批用于治疗慢性髓性白血病,是基于发病机制开展治疗的典型实例。它可抑制由费城染色体重排产生的异常 BCR::ABL1 酪氨酸激酶。在乳腺癌中,HER2 扩增或过表达可用于识别可能对 HER2 靶向治疗有效的肿瘤;曲妥珠单抗于 1998 年在美国获批。在部分肺癌中,EGFR 激活性变异和 ALK 重排则界定了另外一些可能对相应治疗产生应答的患者群体。这些实例将生物学改变、经过验证的检测方法与干预措施联系起来,而非仅仅依赖分子分型。

一些获批适应证跨越了肿瘤发生的解剖部位。2017 年,美国食品药品监督管理局批准帕博利珠单抗用于某些既往接受过治疗、无法切除或已发生转移,且具有高度微卫星不稳定性或错配修复缺陷的实体瘤,但须符合规定的临床条件。这是该机构首次依据共同的生物标志物,而非肿瘤的原发器官,批准一种抗癌药物。2018 年,拉罗替尼获批用于部分具有 NTRK 基因融合的肿瘤,其适应证不限定组织来源。此类批准并不意味着组织背景不再重要:治疗应答仍可能因肿瘤的生物学特征和既往治疗而异。

分子匹配治疗也受到肿瘤演化的制约。一个肿瘤可能包含多个遗传特征不同的亚群,而治疗可能使耐药克隆在选择压力下存留下来。耐药机制可能涉及药物结合位点的改变、替代信号通路的激活,或细胞身份的转变。因此,在某一时间点进行一次活组织检查,所获得的信息可能并不全面。循环肿瘤 DNA 分析通常被称为液体活检,有时无需反复采集组织样本,就能检出可指导治疗的改变或正在出现的耐药性;但其灵敏度取决于肿瘤向循环中释放 DNA 的程度、疾病负荷、检测方法设计及其他因素。阴性结果并不一定能排除相关改变的存在。

精准肿瘤学还涵盖用于癌症免疫治疗的生物标志物,例如错配修复状态、PD-L1 表达和肿瘤突变负荷。这些标志物的预测能力并不完美,而且会随检测方法和临床情境而变化。发现一个看似合理的分子靶点并不保证治疗能够带来获益,全面的分子特征分析也可能找不到任何可指导治疗的改变。即使存在相匹配的治疗方案,毒性、耐药性、药物可及性有限以及比较性证据不足,也可能限制其实际效用。

遗传性疾病与药物基因组学

对于罕见遗传性疾病,精准医学往往从查明不明原因临床表现的病因入手。有发育异常、癫痫发作或多系统疾病的儿童,可能会在接受详细临床评估之后或同时接受基因组检测。对患者及其生物学父母一同进行测序,有助于识别新生变异并确定遗传模式。分子诊断可以帮助明确预后、区分表现相似的疾病,或揭示已有特异性治疗可针对的致病机制。不过,诊断阳性率会因患者选择、表型、所用技术及既往检测情况而存在显著差异。

一些遗传性疾病说明,治疗方案为何可能取决于具体变异,而不只是涉及哪个基因。在囊性纤维化中,CFTR调节剂可影响CFTR蛋白的加工过程或功能。伊伐卡托于2012年首次在美国获批,最初用于针对G551D门控变异的治疗。后续的联合用药方案将治疗范围扩展到了更广泛的群体,包括许多携带F508del变异的患者。是否适用这些药物,取决于突变类型及支持药物有效性的证据;检出CFTR变异,并不意味着每一种调节剂都会有效。

另一个例子是单基因糖尿病,它的表现可能与更常见的糖尿病类型相似,但遗传基础不同。某些导致新生儿糖尿病的钾通道基因变异,可以帮助识别对磺脲类药物有反应的患者,使其不必沿用自身免疫性糖尿病的治疗路径。其他遗传亚型则具有不同的临床意义。这里的精准之处,在于将分子机制与已经确立的临床后果联系起来,而不只是贴上罕见病的标签。

药物基因组学研究遗传变异如何影响药物反应和毒性。CYP2C19变异可减少氯吡格雷的活化;CYP2D6变异可改变多种药物的代谢,包括可待因向吗啡的转化。TPMT和NUDT15变异会影响使用硫嘌呤类药物后发生严重骨髓抑制的风险。HLA-B57:01与阿巴卡韦超敏反应有关,而HLA-B15:02与卡马西平引起的史蒂文斯–约翰逊综合征和中毒性表皮坏死松解症有关,这些等位基因的频率因人群而异。

基因型只是影响药物反应的因素之一。年龄、器官功能、合并使用的药物、用药依从性以及疾病状态,也会影响药代动力学和药效学。具有酶抑制作用的药物,可以使基因型为正常代谢型的人在实际代谢功能上表现为弱代谢型,这一现象称为表型转换。同样,华法林给药剂量算法可以综合遗传因素和临床因素,但其表现取决于适用人群和实施方式。临床药物遗传学实施联盟发布了如何利用已有遗传检测结果指导处方用药的指南;但这类指南并不一定意味着,对每一种基因–药物组合都适合开展全人群检测。

风险预测、预防与人群背景

精准预防旨在识别患病概率或干预预期获益与人群平均水平存在实质差异的人。已有成熟应用的例子包括遗传性肿瘤综合征和遗传性脂质代谢障碍。BRCA1 或 BRCA2 的致病变异可提示某些癌症的风险升高,而 林奇综合征 则将遗传性错配修复缺陷与结直肠癌及其他癌症联系起来。这些发现反映的是概率,而非必然结果:外显率会随年龄、变异类型、家族史、暴露情况及其他生物学因素而变化。

对于常见疾病,许多遗传变异各自的效应都很小。多基因风险评分将多个变异与疾病的关联加权汇总,这些关联通常根据全基因组关联研究估计得出。此类评分可区分对不同疾病具有不同平均易感性的人群,包括冠心病、乳腺癌和2型糖尿病。其临床价值取决于它们能否改进现有风险模型,以及能否通过改变决策使获益大于危害。

必须区分相对风险和绝对风险。当基线风险为 1% 时,风险增至两倍所具有的意义,与基线风险为 20% 时不同。实用的预测模型还需要具有适当的校准度:在被赋予某一风险值的人群中,实际观察到的结局发生频率应与该预测较为一致。良好的区分度,即将高风险者排在低风险者之前的能力,本身并不能证明模型具有良好的校准度,也不能证明其能改善健康结局。年龄、其他竞争性死因以及预测的时间范围,都可能显著改变对结果的解读。

模型跨人群应用是一个主要局限。长期以来,遗传关联研究中欧洲祖源人群的代表比例偏高。等位基因频率、连锁模式、环境暴露及研究招募方式的差异,都可能降低模型在其他人群中的预测表现。遗传祖源也不能与社会定义的种族等同。种族类别可能与社会条件及暴露情况相关,但无法精确描述个体基因组的生物学特征。因此,人群标签可能掩盖群体内部的重要差异。

环境和社会信息仍然不可或缺。烟草暴露、职业危害、营养、住房及医疗服务可及性,都可能对疾病的发生和进展产生重大影响。健康的社会决定因素可能解释基因组分析无法解释的风险。因此,精准预防与公共卫生相互交织,而不是取代疫苗接种、环境卫生改善和烟草控制等人群层面的措施。如果风险阈值及后续干预缺乏证据支持,更细致的风险分类也可能造成过度诊断、不必要的随访,或使人误以为可以放心。

临床证据与专门的试验设计

精准医学与其他形式的循证医学一样,都必须满足相同的基本要求。一项检测需要具备分析有效性,即能够可靠地测量其预定靶标;临床有效性,即测量结果与相关临床状态或结局存在关联;以及临床实用性,即在预期应用场景中使用该检测能够改善决策或结局。这是三个不同的问题。准确检出某种突变,并不能证明拟采用的治疗会带来益处;检测结果与疾病高度相关,也不能证明对无症状人群进行检测有益。

证明预测性生物标志物的价值,对证据的要求尤其严格。如果携带某种标志物的患者对治疗反应良好,该标志物可能只是识别出了预后较好的人群。要证明其具有预测作用,通常需要比较按生物标志物划分的不同组别之间的治疗效果,或研究经过验证的、由标志物指导的诊疗策略。随机对照试验可以将检测指导下的诊疗与标准诊疗进行比较,也可以在依据分子特征筛选出的人群中比较不同疗法。即使生物学依据十分充分,随机分组仍然有用,因为未测量的因素和选择性入组都可能使无对照的比较产生偏差。

专门的试验设计旨在应对疾病被细分为多个小亚组所带来的挑战。篮式试验在具有共同分子特征的不同疾病中检验同一种治疗,例如不同器官的肿瘤中存在相同的基因融合。伞式试验则在同一大类疾病内,研究多个按生物标志物划分的治疗组。平台试验可以在持续运行的框架内评估多种干预措施,有时会根据预先规定的规则增加或撤除试验组。这些设计可以提高效率,但并不能取代适当的对照、可靠的检测和严谨的统计方法。

研究人群规模较小,会在统计功效、多重比较和效应估计的不确定性等方面造成困难。如果同时探索多种生物标志物和治疗方法,看似有前景的发现可能只是偶然出现的。适应性设计需要预先规定分析方法,以确保结果具有可解释性。依赖肿瘤缩小或实验室指标变化等替代终点,可能加快评估进程,却未必能证明治疗可以延长生存期、改善功能或提高生活质量。证据的强度取决于该终点在多大程度上能够反映对患者重要的结局。

观察性数据有助于描述实际疗效、罕见不良事件,以及在试验中代表性不足的人群的结局。然而,治疗选择、数据缺失、机构间差异和临床实践的变化,都会使因果解释变得复杂。能够获得全面检测或匹配治疗的患者,与无法获得这些服务的患者之间,可能存在系统性差异。因此,接受治疗的患者结局更好,并不能自动证明是检测带来了改善。精准医学研究必须评估从测量到治疗的完整路径,其中也应包括那些检测后未得到可指导临床行动结果的人。

数据整合、计算与临床实施

精准医学依赖于将不同场景中产生的信息关联起来。分子实验室提供变异检测结果及其解读;医院记录诊断、影像、处方和临床结局;研究队列则补充纵向问卷调查和环境测量数据。整合这些来源的数据,需要采用一致的标识符、术语、单位和元数据。如果缺少采样时间、检测方法或治疗背景等信息,一项检验数值可能就难以解读。出于费用结算目的记录的疾病名称,也未必与研究中的定义完全一致。

机器学习可以识别这些复杂数据集中的模式,但其预测性能取决于数据的生成过程。在某家机构训练的模型,可能利用的是当地的检测惯例,而非稳定的生物学关系。如果训练数据集无意中包含了在预定决策时点尚无法获得的信息,就可能发生信息泄漏。数据缺失情况本身也可能反映临床行为:病情较重的患者通常会接受更多检查。这些问题可能使回顾性研究的结果看起来优于前瞻性应用中的实际表现。

因此,评估工作需要包括外部验证、校准、亚组分析以及部署后的监测。当患者群体、实验室平台或治疗模式发生变化时,模型的可靠性可能下降。在某些场景下,将分子数据与影像和临床变量相结合可以改善预测,但增加输入变量的数量并不保证带来更多临床价值。复杂模型也可能难以解释,而在预测之后生成的看似合理的解释,并不一定揭示了该预测的真实依据。

临床实施不仅需要算法,也需要配套的工作流程。检测必须在能够满足临床决策需要的时间内出具结果,报告必须区分已有充分依据的发现与探索性发现,临床医生也需要能够获得恰当的解读支持。分子肿瘤多学科会诊可汇集肿瘤学、病理学、遗传学、药学和计算领域的专业力量。遗传咨询师帮助解释遗传方式、不确定性以及对亲属的影响。电子处方系统可以纳入药物基因组学警示,但针对性不足的警示可能造成警示疲劳,进而被忽视。

一项结果在最初采集后很长时间内,仍可能具有临床意义。生殖系变异可能影响今后的用药,而此前意义不明确的发现,也可能在日后被重新分类。因此,医疗机构需要处理数据保留、重新解读的责任归属,以及如何传达修订后的报告等实际问题。卫生经济学评价不仅要考虑测序价格,还应纳入确证性检测、咨询、专科审核、治疗和随访的费用。更便宜的检测并不一定意味着整个诊疗流程的成本更低,而一项初期费用较高的检测,有时反而可以避免反复检查。这些影响取决于具体的临床用途,不能仅凭技术能力加以推断。

知情同意、监管、隐私与公平可及性

基因组数据及与之关联的临床数据会引发特殊的伦理问题,因为这些数据不仅可能揭示受检者本人的信息,还可能揭示其亲属的信息。即使已移除直接身份标识,足够详细的遗传信息仍可能通过与其他数据集关联而被重新识别出所属个体。因此,数据隐私不仅仅意味着将文件匿名化。访问控制、安全措施、对二次使用的限制以及明确的治理安排,都会影响数据共享是否符合参与者的预期。大型数据集的实用价值必须与信息泄露和滥用的风险相权衡。

知情同意必须涵盖检测的目的与范围、可预见的局限、数据存储方式,以及可能出现的额外发现。为解释某一种病症而开展的检测,可能发现与最初问题无关、但具有医学意义的易感倾向。研究发现与临床结果不能混为一谈:研究中的观察结果可能需要由具备相应认可资质的临床实验室确认后,才能作为临床依据。人们对于是否接收额外信息的意愿也可能不同,尤其是在发现的意义尚不确定或临床影响有限时。

监管要求因司法管辖区和产品而异。伴随诊断提供安全、有效使用相应治疗产品所必需的信息,例如识别使用该产品所要求的特定肿瘤变异。其证据要求与预期用途、标本类型、检测性能及治疗情境相关。药物和检测产品获得批准,并不意味着所有测量相关信号的实验室方法都自动得到验证。检测阈值、变异覆盖范围或样本类型的变化,都可能改变哪些患者会被判定为符合治疗条件。

防范遗传歧视的法律保护同样并不全面,而且因司法管辖区而异。在美国,2008年《遗传信息不歧视法》对健康保险和就业提供保护,但有明确的适用范围和例外;该法并未将同等保护延伸至人寿保险、失能保险或长期护理保险。欧洲数据保护法律将遗传数据视为特殊类别的个人数据,要求采取额外的保护措施。这类法律框架规范的是信息的特定用途,并不能消除信息披露可能带来的一切后果。

健康公平取决于哪些人群在研究中得到代表,以及哪些人能够获得经过验证的服务。代表性不足可能增加变异分类结果的不确定性,并削弱风险预测能力。检测还可能需要专科转诊、异地就医、咨询服务,或在某些卫生系统中无法获得或难以负担的治疗。如果只扩大测序规模,却不扩充这些配套服务,就可能加剧现有的医疗差距。因此,评估实施是否公平,需要考察不同人群能否获得可解读的结果、有适应证的干预措施是否可及,以及健康获益是否惠及产生原始证据的机构和人群之外的群体。