玻尔百科数十年来，我们对抗癌症的斗争一直集中于识别和靶向单个缺陷基因。虽然这带来了一些突破，但面对癌症惊人的复杂性及其演化和抵抗治疗的能力，这种方法往往力不从心。系统肿瘤学提供了一种范式转变，它超越了以基因为中心的观点，将癌症视为一个复杂、动态和自适应的系统。这种方法直面传统方法留下的知识空白——为什么那些本应有效的疗法常常失败？它旨在理解癌细胞内部以及细胞之间错综复杂的相互作用网络中所涌现的特性。
本文将引导您了解这一革命性的视角。第一章“原理与机制”将解构癌细胞的逻辑，探索信息的多层次流动、控制细胞决策的调控网络，以及该网络结构的缺陷如何驱动疾病。随后的章节“应用与跨学科联系”将把这种基础理解转化为行动，展示系统思维如何革新药物发现、使我们能够克服耐药性，并为真正个性化的癌症治疗铺平道路。
要从系统角度理解癌症，就必须超越活细胞令人困惑的复杂性，去寻找其潜在的组织原则。癌细胞不仅仅是一个“出了问题”的细胞；它是一个在新规则和新内部逻辑下运行的系统。系统肿瘤学就是一门破译这种逻辑的科学。这种方法代表了从静态蓝图到动态、演化生态系统的旅程，始于认识到基因组图谱并非功能疆域。
我们都学过分子生物学的中心法则：信息从DNA流向RNA，再到蛋白质。这听起来像一条工厂流水线。DNA是主蓝图（，代表基因组学），RNA是工作副本（，代表转录组学），而蛋白质是执行工作的最终机器（，代表蛋白质组学）。这些机器随后消耗并产生小分子，从而创造出细胞的代谢状态（，代表代谢组学）。
在很长一段时间里，我们认为只要能读懂蓝图——基因组——我们就能理解细胞。我们会找到拼写错误（突变），并确切地知道哪里出了问题。但想象一下，你拥有一座繁华城市的完整建筑规划图。你可以看到每一栋建筑、每一条街道、每一根管道。这能告诉你现在哪里有交通堵塞吗？能告诉你哪些餐馆受欢迎，哪些电线过载吗？不能。蓝图是静态的；城市是鲜活且动态的。
癌细胞也是如此。它的基因组可能告诉我们一个促进生长的受体基因发生了突变，但它并不能告诉我们该受体是否真的被激活并正在发送信号。要看到细胞的“交通”状况，我们需要观察蛋白质本身，特别是它们的活性状态。许多蛋白质通过一种称为磷酸化的过程被开启或关闭。通过测量哪些蛋白质被磷酸化（一个称为磷酸化蛋白质组学的领域），我们可以获得细胞活性回路的快照。这通常比仅仅读取DNA序列要揭示得多。例如，从磷酸化蛋白质组学中得知某个激酶通路过度活跃，这为我们提供了治疗靶点的直接线索，而基因组可能只提供一个暗示。
当然，蓝图仍然至关重要。有时，基因组的变化会产生非常直接和明显的功能性后果。癌症中一个常见的事件是拷贝数变异 (CNV)，即细胞最终获得了某个基因的额外拷贝。系统肿瘤学中一个简单而有力的第一步是提问：如果一个细胞拥有更多基因拷贝，它是否也会制造更多相应的RNA信使？我们可以从许多肿瘤中获取数据，对于某个特定基因，将其拷贝数与其表达水平作图。如果我们看到强烈的正相关——拥有更多DNA拷贝的肿瘤有更多的RNA——我们就找到了静态蓝图变化与细胞活性状态变化之间的第一个联系。我们就是这样开始区分那些驱动癌症的“驱动”突变和那些只是随机搭便车的“乘客”突变。
然而，有时最重要的驱动因素根本不是细胞自身DNA的改变。在由人乳头瘤病毒 (HPV) 等病毒引起的癌症中，致癌指令来自病毒基因，它们迫使细胞不受控制地生长。在这种情况下，在细胞基因组中寻找突变可能会产生误导。真正的关键在于测量病毒RNA及其对细胞蛋白质的下游影响——这完美地说明了我们必须审视正确的信息层面才能找到真正的驱动因素。
细胞远不止是零件的集合。它是一个网络。蛋白质和基因之间不断地相互“对话”，形成一个巨大而错综复杂的相互作用网络。用网络的思维方式，而不是单个组件的思维方式，是系统方法的核心。
这种调控是精巧分层的。它不仅仅是蛋白质控制其他蛋白质。细胞拥有一整类称为微小RNA (miRNA) 的微小分子，它们像基因表达的调光开关一样起作用。一个miRNA可以结合并降低数百种不同信使RNA的产量，使它们成为细胞状态的主要协调者。在癌症中，这种调控网络常常被劫持。一些通常抑制生长促进基因（癌基因）的miRNA会丢失；这些被称为抑癌性miRNA。例如，已知的肿瘤抑制因子let-7 miRNA，其靶向臭名昭著的癌基因RAS。当let-7丢失时，RAS的活性会飙升。相反，其他抑制细胞“自我毁灭”程序或阻止增殖基因的miRNA则会过量产生；这些被称为致癌性miRNA或oncomiR。一个典型的例子是miR-21，它靶向并抑制肿瘤抑制因子PTEN。通过了解哪些miRNA上调或下调，我们可以深刻洞察哪些网络失调了。
最精美的网络基序是反馈回路。这些是允许细胞处理信息、适应并做出决策的电路。思考一下著名的肿瘤抑制蛋白p53，即“基因组的守护者”。当DNA受损时，p53被激活。它开启的基因之一是编码另一种名为Mdm2的蛋白质的基因。但转折在于：Mdm2的工作是摧毁p53。这是一个负反馈回路。P53促进了其自身摧毁者的产生。
细胞为什么要这样做？想象一个恒温器。当房间变得太热时，空调启动。但它不会永远开着；它会冷却房间直到温度下降，然后关闭。p53-Mdm2回路的工作方式类似。在p53开启Mdm2基因和Mdm2蛋白实际被制造出来之间存在一个关键的时间延迟（）。这个延迟意味着p53水平上升，然后Mdm2水平上升，这又导致p53水平下降。结果不是一个简单的“开启”状态，而是一系列p53的脉冲或振荡。
真正非凡的是细胞如何解读这些动态。一次小的、短暂的损伤可能会触发一个单一的、低幅度的p53脉冲，告诉细胞：“暂停，修复损伤，然后继续。”这导致暂时的细胞周期停滞。一次更严重的、持续的损伤可能会触发一系列持续的脉冲。细胞将其解读为：“这很严重且无法修复，但我们不需要恐慌。”这可能导致衰老，一种永久的退休状态。但是，一次巨大的、灾难性的损伤会触发跨越关键阈值的高幅度脉冲。细胞的解读是：“紧急情况！弃船！”这会激活被称为细胞凋亡的自我毁灭程序。细胞是一个微型信息处理器，通过一个简单网络回路的动态，将DNA损伤的模拟信号转化为生死攸关的数字决策。
当这些细胞网络的精妙逻辑被打破时，癌症就会出现。最常见的方式之一是通过“暴力”。考虑细胞表面的一类受体，如乳腺癌中著名的HER2受体。通常，这些受体以单个单元（）的形式漂浮。要发送“生长”信号，它们需要与一个伴侣（如HER3，或）配对，形成一个活性的二聚体（）。这种配对通常由外部生长因子（一种配体）触发，它就像一把钥匙。
但在HER2阳性乳腺癌中会发生什么呢？一个基因组错误导致HER2蛋白的大量过量产生。细胞表面变得异常拥挤，布满了HER2受体。根据简单的质量作用定律——空间中的分子越多，它们相互碰撞的可能性就越大——HER2受体现在仅仅因为拥挤就被迫与它们的伴侣配对。它们不再需要外部的配体“钥匙”来开启。结果是一个永远不受控制地尖叫“生长！”的信号通路，纯粹由网络中一个组件的量变驱动。
这揭示了关于细胞网络结构的一个更深层次的真理。它们通常具有“鲁棒而脆弱”的架构。许多生物网络，如社交网络或互联网，是无标度的。这意味着它们由少数高度连接的“枢纽”和许多连接很少的节点主导。这种结构使网络对随机故障具有令人难以置信的鲁棒性。如果你随机删除节点，你最有可能击中一个连接性差的节点，而网络整体保持完整。这是生物学的一个特性，而不是一个缺陷；它允许细胞在不发生灾难性故障的情况下承受随机突变。但对于癌细胞来说，这种鲁棒性是一个福音，使其能够积累许多突变并继续运作，从而促进其演化。
然而，同样的架构也有一个致命弱点。它对其枢纽的靶向移除则极其脆弱。去掉几个关键枢纽，整个网络就可能崩溃。正是这种脆弱性为我们提供了一种强有力的反击策略。
如果癌症是一种网络破损的疾病，那么我们的疗法就必须被设计用来利用那些特定的破损。系统肿瘤学中最优雅的思想之一是合成致死。想象一下两个基因，和。一个正常的细胞拥有这两个基因的工作副本。一个癌细胞，通过突变，失去了基因的功能。然而，细胞存活下来是因为基因可以补偿。现在，这个细胞严重依赖于基因。单独失去是没问题的。单独失去也没问题。但是同时失去和是致命的。这就是一对合成致死组合。
这提供了一个绝佳的治疗机会。如果我们能设计一种抑制基因的药物，它对正常细胞将是无害的（因为它们仍有基因可以依赖），但对缺少基因的癌细胞将是致命的。这是一种完美的靶向攻击。
但我们如何找到这些合成致死对呢？我们可以在成千上万个肿瘤的基因组中寻找它们的足迹。假设我们研究一个包含500个肿瘤的队列。我们发现基因在其中100个肿瘤中发生突变（），基因在其中75个肿瘤中发生突变（）。如果这些突变是独立事件，它们在同一个肿瘤中发生的概率将是。在我们500个肿瘤的队列中，我们预计会看到大约个同时具有两种突变的肿瘤。
但是，如果我们查看数据时，只发现一个，甚至没有一个肿瘤同时具有这两种突变，那该怎么办呢？这种两种突变共同发生的频率远低于偶然预期的惊人模式，被称为相互排斥性。这意味着什么？这是达尔文选择留下的线索。如果基因和是合成致死的，那么任何同时获得这两种突变的细胞都会死亡，并从肿瘤群体中被清除。患者数据中相互排斥的模式是这种致命相互作用的幽灵，是一个指向新药靶点的有力线索。
最后的，也许是最大的挑战是，我们面对的不是一个单一、静态的敌人。一个肿瘤是一个由多样化细胞组成的、不断演化的群体。这种肿瘤内异质性 (ITH) 是治疗失败的主要原因。
想象一下，我们发现基因的突变与抑制基因是合成致死的。我们开发了一种能抑制的绝妙药物。我们在一个所有癌细胞都带有突变的培养皿中测试它，效果完美。但真实的肿瘤并非如此简单。它可能是一个细胞混合体——比如说，90%的细胞有突变（克隆），但10%是野生型（克隆）。当我们使用我们的药物时，它会消灭那90%的敏感细胞。但那10%的野生型细胞，它们没有突变，因此不依赖于基因，将毫发无损地存活下来。这些幸存者随后会生长并重新填充肿瘤，导致复发。治疗失败不是因为药物不好，而是因为它被应用于一个混合群体。这种稀释效应也使得我们更难发现合成致死关系。如果敏感克隆只占混合群体的一小部分，它的死亡可能会被其他细胞的存活所掩盖，导致信号低于我们的检测阈值。
耐药性甚至更为复杂。它并不总是关于一个预先存在的亚克隆。有时，细胞可以进入一个暂时的躲藏状态。当面临强效的靶向治疗时，大多数敏感细胞死亡。但一小部分细胞可能通过进入一种静止的、非增殖的状态而存活下来。这些并非基因上耐药；它们是耐药持久细胞。它们通过表观遗传重编程达到这种状态——通过改变其DNA的包装方式来可逆地改变其基因表达程序，而不改变序列本身。它们基本上进入了深度睡眠。它们无法被靶向增殖细胞的药物杀死。然后，当治疗停止时，这些持久细胞可以“醒来”，重新获得其旧的敏感状态，并重新建立肿瘤。它们中的一些甚至可能在这种持久状态下获得真正的基因耐药突变，导致更强大、无法治愈的复发。
最后，我们必须记住，肿瘤不是一个混合均匀的细胞袋。它是一个具有地理位置的物理实体。细胞在肿瘤微环境中的位置——它与血管、免疫细胞、不同基质细胞的接近程度——极大地影响其行为。例如，基质细胞分泌的抑制因子可以形成一个梯度，在肿瘤核心处最高，在边缘处最低。对于一个浸润的免疫细胞来说，这意味着肿瘤边缘可能是一个允许战斗的战场，而核心则是一个坚不可摧的堡垒。T细胞激活的非线性、开关般的性质可以放大环境中这些微小的差异，创造出激活的清晰边界，这是简单的平均化模型永远无法预测的。
要对抗癌症，我们必须认清它的本质：一个多层次、网络化、不断演化且空间复杂的系统。通过拥抱这种复杂性并寻找支配其行为的基本原则，系统肿瘤学不仅提供了更深刻的理解，也为控制这种毁灭性疾病提供了一条更理性、更有希望的道路。
在探索了系统肿瘤学的基础原理之后，我们已经拥有了一套审视癌症的新工具。我们学会了不再将细胞视为单个零件的简单集合，而是看作一个由分子通路构成的、熙熙攘攘的互联城市，受制于错综复杂的逻辑和控制网络。前一章为我们提供了蓝图和语言——网络的语言、多组学数据的语言、涌现特性的语言。现在，我们提出关键问题：我们能用这个新视角做些什么？将癌症视为一个复杂系统，如何改变我们对抗它的方式？
正如我们将看到的，答案是它改变了一切。我们从 targeting 单个明显罪魁祸首的“打地鼠”游戏，转向了复杂的系统工程策略。我们现在可以绘制出这座城市的脆弱点，预测它对干扰的反应，并预见其巧妙的适应方式。正是在这里，网络理论的抽象之美与诊所的紧迫现实相遇，引发了一场关于我们如何发现药物、克服耐药性和个性化医疗的革命。
几十年来，寻找抗癌药物的努力常常集中在癌细胞最显眼的损坏部分——一个卡在“开启”位置的引擎，即癌基因。但如果癌细胞最大的脆弱点不是它最明显的缺陷，而是由那个缺陷本身造成的隐藏依赖性呢？
这就是合成致死的优雅概念。想象一辆车有两个独立的刹车系统，一个用于前轮，一个用于后轮。失去一个系统不是灾难性的；另一个可以补偿。但同时失去两个系统则是一场彻底的灾难。在癌症中，一个突变可能会摧毁一个“刹车系统”——例如，一个肿瘤抑制基因。癌细胞通过变得完全依赖于一个备用通路而存活。系统肿瘤学为我们提供了找到那个备用通路的工具。如果我们能找到一种药物来禁用它，我们就能创造出一种只影响癌细胞的致命组合，而让正常细胞（仍有第一个刹车系统完好无损）安然无恙。
但我们如何在成千上万个基因中找到这些合成致死对呢？我们可以求助于我们的网络地图。在并行、冗余通路中工作的基因可能不会直接相互作用，但它们应该控制着一组相似的下游过程。用网络的语言来说，这意味着它们的“邻域”——它们与之对话的基因集合——应该有显著的重叠。通过计算筛选基因相互作用网络，寻找那些彼此不对话但有许多共同朋友的基因对，我们可以为已知的癌症突变生成一个有前景的合成致死伙伴列表。这种网络驱动的方法使我们能够理性地 pinpoint 那些传统逐基因分析无法发现的潜在靶点。
我们甚至可以探测这些相互作用网络的局部拓扑结构以寻找更深层次的线索。例如，“局部聚类系数”告诉我们一个基因的邻居之间相互连接的紧密程度。一个其合成致死伙伴都彼此高度连接的基因，可能存在于一个功能上鲁棒的邻域中，这个邻域具有内置的冗余，可能会使靶向它更具挑战性。分析这些抽象的网络属性，使我们对靶点的上下文有了更丰富、更细致的视图，帮助我们预测局部网络对我们干预的恢复能力。
确定一个靶点只是第一步。下一步是找到一种能击中它的药物。在这里，系统方法再次提供了一个非常聪明的捷径。想象一下，你有一个疾病的“特征”——一个由数千个在癌细胞中相对于正常细胞上调或下调的基因组成的模式。现在，如果你还有一个库，其中包含每种已知药物的独特特征，详细说明了每种药物会上调或下调哪些基因，会怎么样？
这就是像 Connectivity Map 这样的大规模扰动数据库背后的原理。我们可以将疾病特征视为一个查询，然后在这个巨大的库中搜索一个与其呈镜像的药物特征——一种系统地逆转癌症中所见基因表达变化的药物。这是一种深刻的因果策略。我们不仅仅是注意到相关性，而是在寻找一种经实验证明能产生相反效果的干预措施，有望将细胞恢复到更健康的状态[@problem.id:4359032]。
当然，一个有希望的计算结果仅仅是一个假设。从预测到真正的治疗策略的道路上铺满了严格的实验验证，而这正是系统生物学全部力量得以释放的地方。一个现代的验证流程是科学探究的杰作。它可能始于一个计算模型，预测两种代谢酶A和B在癌细胞中是合成致死的。为了检验这一点，必须进行远超简单实验的验证。 "黄金标准"方法是对假设进行多管齐下的攻击：
确认相互作用： 使用像CRISPR这样的精确遗传工具，不仅在癌细胞中，也在它们的健康对应细胞中，抑制基因A、基因B以及两者同时抑制。一个真正的合成致死相互作用将只在癌细胞中显示出显著的协同杀伤效果。
证明机制： 如果假设是A和B是两条平行的管道，为一个关键的下游过程提供原料，那么我们必须证明它。这可以通过直接提供该过程的最终产物来“拯救”细胞免受药物组合的影响来完成。更确切地说，可以使用稳定同位素示踪剂——“标记的”营养物质——实时观察分子在网络中的流动，并表明阻断A和B确实切断了通过预测瓶颈的通量。
确保特异性： 我们如何知道这种效果不是我们工具的意外产物？我们进行拯救实验，重新引入我们正在抑制的基因的功能性拷贝，看它是否能逆转效果。我们还使用正交方法，如靶向相同酶的小分子药物，看我们是否得到相同的结果。
这个细致的过程，将计算建模与先进的实验技术相结合，正是将网络的抽象逻辑转化为潜在新药具体现实的方式。
也许现代癌症治疗中最大的挑战是耐药性。一种靶向疗法可以创造奇迹，将肿瘤缩小到原来的一小部分，但几个月或几年后它又会复发，现在对原来的药物已经无动于衷。从系统的角度来看，这并不奇怪。我们攻击的不是一个静态的目标，而是一个动态的、有弹性的网络，它经过数百万年的进化以维持其核心功能。当我们阻断一条通路时，系统会进行适应。
这种适应可以通过几种方式发生，而系统层面的视角对于理解和战胜它至关重要。一个经典的场景是对酪氨酸激酶抑制剂（TKI）的耐药性。一个肿瘤可能由一个过度活跃的信号蛋白EGFR驱动。我们用EGFR抑制剂治疗它，肿瘤缩小。当它再次生长时，存在两种主要可能性：
我们如何分辨是哪一种？我们可以用药物“审问”网络。如果旁路通路假说是正确的，那么添加更多原始的EGFR抑制剂将几乎没有额外效果，因为信号正在通过MET流动。确凿的证据是，将EGFR抑制剂与MET抑制剂结合会产生显著的协同效应，关闭两条路线并使下游信号崩溃。这说明了一个普遍原则：耐药性通常是一种网络现象，而联合疗法是一种网络解决方案。
事实上，癌症的抵抗能力是网络恢复力原则的直接后果——负反馈回路、平行通路和汇聚节点。例如，许多信号通路都有内置的负反馈，其中最终的输出激酶（如ERK）会回头关闭初始输入（如RTK）。当我们使用药物阻断通路并降低ERK活性时，我们无意中切断了这个反馈回路。“刹车”被释放，上游的RTK可能会变得过度活跃，试图恢复信号。仅此一点就可能导致耐药性。这种理解立即提出了合理的组合方案：将初始抑制剂与阻断被再激活的上游RTK的第二种药物相结合。类似的逻辑也适用于共同靶向平行的生存通路（如PI3K/AKT）或打击下游的汇聚点（如CDK4/6），因为多个耐药通路最终必须流向这些点来驱动细胞增殖。
系统肿瘤学的最终承诺是使癌症治疗真正个性化和动态化。我们正在走向一个未来，在那里我们不仅能理解一般性的癌症，还能为单个患者肿瘤内运行的特定、独特的系统建模。
梦想是建立能够查看肿瘤独特基因组构成并预测哪种药物组合最有效的预测模型。通过将肿瘤突变数据与其对单个药物的反应数据相结合，研究人员正在构建能够计算该特定肿瘤上药物对的“协同评分”的统计模型，从而在第一剂药物给药前指导联合疗法的选择。
然而，肿瘤很少是单一实体。它是一个由相互竞争的亚克隆组成的异质生态系统，每个亚克隆都有自己的一套突变和脆弱性。这构成了一个深刻的挑战。一种药物组合可能对一个亚克隆是合成致死的，但如果该亚克隆只占肿瘤的一小部分，整体效果将微乎其微。幸存的、耐药的亚克隆将简单地取而代之。理解这一点要求我们将肿瘤建模为群体的混合体，其中整体反应是每个亚克隆反应的加权平均值。这一发人深省的见解解释了为什么即使在均质细胞培养中完美有效的疗法，在患者身上也可能失败，并强调了需要能够应对整个多样化群体的疗法。
要做到这一点，我们需要成为肿瘤演化的历史学家。利用单细胞测序的惊人进展，我们现在可以从单个肿瘤内的数千个单个细胞中提取DNA和RNA。通过分析这些细胞间的突变和基因表达模式，我们可以使用复杂的贝叶斯模型来重建肿瘤的家族树，即系统发育树。我们可以绘制出原始健康细胞如何产生不同的克隆谱系，它们如何竞争，以及哪一个导致了最终的侵袭性疾病。这就像能够观看肿瘤演化的整个历史展开。
在整个事业中，从绘制网络到预测演化，我们都依赖于统计学的基石。当我们在高维图中看到一团单细胞在药物处理后发生移动时，我们如何知道这是一个真实的效果而不仅仅是随机偶然？我们使用像置换检验这样的优雅方法来计算这种移动偶然发生的概率，从而使我们有信心宣称我们的干预产生了有意义的影响。
从识别癌症网络中的隐藏脆弱性，到合理设计克服耐药性的联合疗法，再到绘制患者自身肿瘤的演化史，系统视角提供了一个强大而统一的框架。这是一种源于生物学、数学、计算机科学和工程学结合的方法——证明了当我们有勇气将我们最复杂的疾病不视为一堆破碎零件的集合，而是看作一个完整的、动态的、并最终可以理解的系统时，它们的深层秘密是可以被揭开的。