玻尔百科$PIK3CA$ 等基因突变到 $PD-L1$ 等免疫标志物，预测性生物标志物对于筛选患者和制定个性化治疗策略至关重要。转化肿瘤学是连接癌症基础研究与有效临床实践的关键桥梁，它改变了我们对抗人类最复杂疾病之一的方式。几十年来，实验室的发现与其在患者临床上的成功应用之间存在巨大鸿沟，这阻碍了抗癌斗争的进展。本文通过探讨使科学家和临床医生能够将深刻的分子理解转化为靶向、个性化疗法的原理和方法，来应对这一挑战。通过深入研究这个充满活力的领域，读者将洞悉用于智胜癌症的复杂策略。这段旅程始于“原理与机制”一章，该章解码了肿瘤异质性的复杂性，介绍了作为患者“化身”的临床前模型，并解释了对预测性生物标志物的探寻。随后，“应用与跨学科联系”一章将展示如何应用这些基础知识来设计智能疗法、绘制肿瘤微环境图谱，并开创正在彻底改变患者护理的创新工具和试验设计。
踏入转化肿瘤学的世界，就意味着要在一场极其复杂的战争中成为一名战略家。敌人——癌症，并非一个单一、同质的实体，而是一个在人体环境中茁壮成长的动态、演变的生态系统。要想智胜它，我们必须首先理解其基本原理和驱动其无情扩张的机制。这不仅仅是找到一个“银弹”的问题，而是要破译敌人的战术手册，建立忠实的“化身”来测试我们的策略，并设计出与所评估疗法同样智能的临床试验。
想象一座熙熙攘攘的大城市。从远处看，它似乎是一个单一的实体。但走近了，你会发现它由无数个社区组成，每个社区都有自己的特色、人口和生活方式。肿瘤与此非常相似。它不是一团由相同恶性细胞组成的均匀肿块，而是一个由不同“亚克隆”组成的镶嵌体——这些细胞家族各自获得了一套独特的突变，并向不同方向演化。这种现象被称为瘤内异质性 (ITH)，是现代肿瘤学的核心挑战。
一个肿瘤可能包含一些具有高度侵袭性并准备转移的亚克隆，一些对特定药物耐药的亚克隆，还有一些相对良性的亚克隆。这些亚克隆在肿瘤内常常在空间上被分隔开来，就像不同的社区一样。这意味着单点活检——即取一小块样本——就像只访问一个社区就想了解整个城市一样。你可能完全错过最终将驱动疾病进展的最危险的克隆。因此，转化肿瘤学的一个核心原则是认识并考虑到这种异质性。任何对肿瘤进行建模或治疗的努力都必须应对这样一个事实：我们的目标是一个移动的、多样化的群体，而不是一个静态的靶点。承认这种复杂性需要复杂的取样策略，例如从一个切除的肿瘤中获取多个空间上不同部位的核心样本，以便更有机会捕捉到所有克隆角色的全貌。
我们如何在不让患者承担风险的情况下，研究特定患者的复杂癌症并测试针对它的潜在疗法？我们需要一个替代品，一个肿瘤的“化身”，我们可以在实验室中培养和操纵它。这些“化身”的保真度至关重要，转化肿瘤学采用了一系列模型，每种模型都有其自身的优缺点。
最简单的是永生化癌细胞系。这些是已经适应在扁平塑料培养皿中无限生长的癌细胞群体——即二维单层细胞。几十年来，它们一直是癌症研究的主力。它们价格低廉，易于大量培养，且高度均一，这使它们成为高通量筛选数千种潜在药物的理想选择。但它们最大的优点也正是它们最大的缺点。培养皿的人工环境施加了巨大的选择压力。在培养皿中经过无数代培养后，存活下来的是那些最适应在塑料上生长的细胞，而不是那些在患者体内最成功的细胞。这个过程导致了显著的遗传漂变，由此产生的细胞系通常与原始肿瘤丰富、异质的生态系统几乎没有相似之处。
为了实现更高的保真度，科学家们开发了人源肿瘤异种移植 (PDX) 模型。这个概念简单而强大：不是在培养皿中培养细胞，而是将一小块新鲜的患者肿瘤组织直接植入免疫缺陷小鼠体内。通过绕过 in vitro 培养的人工选择，PDX 保留了肿瘤原始的三维结构、基因组图谱，以及最重要的，其克隆异质性。这使得 PDX 成为患者疾病远为真实的化身。
然而，即使是这些高保真度模型也并非完美。创建和扩增它们的过程本身就可能引入变化。每当肿瘤从一只小鼠转移到另一只以建立更多模型时——这个过程由传代次数（第一只小鼠为 ，第二只为 ，以此类推）定义——它都会经历一个群体瓶颈。只有一小部分来自亲代肿瘤的细胞被用于启动新的肿瘤。这可能由于偶然性导致亚克隆频率的随机波动，这个过程被称为遗传漂变。此外，肿瘤必须适应它的新宿主。人类的支持组织，即基质，会逐渐被小鼠的基质所取代。这个新环境创造了选择压力，有利于那些更擅长与小鼠细胞沟通和操纵它们的亚克隆。经过几次传代，一个在患者体内原本是次要角色的亚克隆可能会在 PDX 中占据主导地位，从而使模型偏离其原始状态。
填补细胞系和 PDX 之间空白的是人源类器官 (PDO)。这些是在三维凝胶基质中生长的微型、简化的器官版本。它们直接来源于患者肿瘤，能够自组织以重现组织的结构，并保持了大部分原始异质性，这使得它们比二维细胞系有了显著的进步。虽然它们缺乏 PDX 的系统复杂性（如血管系统或完整的微环境），但它们的生长速度更快、成本更低，允许在一个仍然能很好地代表患者肿瘤的模型上进行中等通量的药物测试。
有了忠实的模型，接下来就是寻找肿瘤的“阿喀琉斯之踵”——一个我们可以靶向的特定分子弱点。这些弱点被称为生物标志物。
通常，最强大的生物标志物是癌症DNA中的驱动突变。像 $PIK3CA$ 这样的基因可以发生功能获得性突变，使其变成一个癌基因，就像一个卡住的细胞生长油门。相反，像 $TP53$ 这样的基因可能会发生功能丧失性突变，使其作为抑癌基因——细胞的紧急刹车——的作用失效。不同的癌症亚型由它们特有的这些突变模式来定义。例如，ER阳性Luminal A型乳腺癌通常有一个激活的 $PIK3CA$ 基因和完整的 $TP53$，这使得它们对阻断 $PI3K$ 通路的药物敏感。与之形成鲜明对比的是，基底样三阴性乳腺癌常常有一个失活的 $TP53$ 基因，导致基因组混乱和侵袭性行为。发现这些突变告诉我们是哪些通路在驱动癌症，从而也告诉我们哪些药物可能将其关闭。
但癌细胞并非孤立存在。它被一个由非癌细胞组成的复杂生态系统所支持和保护，其中包括血管、结构细胞（成纤维细胞）和免疫细胞。整个生态系统被称为肿瘤微环境 (TME)。理解 TME至关重要，因为它能决定肿瘤对治疗是易感还是耐药。
为了绘制这个生态系统，科学家现在使用着功能极其强大的技术。单细胞RNA测序 (scRNA-seq) 将一个解离的肿瘤组织进行处理，并逐一分析成千上万个单个细胞的基因表达。这就像为肿瘤中的每一种细胞类型——癌细胞、不同类型的T细胞、巨噬细胞等等——创建一份完整的“零件清单”或“名人录”。但这个过程会丢失每个细胞的原始位置信息。这就是空间转录组学 (ST) 发挥作用的地方。它测量完整肿瘤组织切片上的基因表达，保留了 坐标。虽然它的分辨率较粗（每次测量可能包含几个细胞），但它提供了“组装图”。真正的魔力发生在我们整合这两个数据集时。我们可以利用 scRNA-seq 提供的详细“零件清单”来对 ST 提供的“组装图”进行计算反卷积。这使我们能够精确地看到哪些细胞类型位于何处，以及谁在与谁对话——例如，识别出一个区域，其中耗竭的T细胞聚集在表达抑制信号的癌细胞旁边。这种在分子水平上绘制战场地图的能力正在彻底改变我们寻找预测性生物标志物的方式。
一旦确定了有前景的靶点和药物，策略就转向临床。但在这里，转化肿瘤学也重写了战术手册，从“一刀切”的试验转向更快、更智能、由生物标志物驱动的设计。
一个绝佳的例子是机会之窗 (WoO) 试验。一个新诊断出可手术肿瘤的患者可能会在诊断和预定手术之间的“窗口期”内接受短期的靶向药物治疗——也许只有两周。目的不是缩小肿瘤；在如此短的时间内，通过影像学测量的宏观变化预计会很小。相反，目的是看药物是否击中了它的靶点。通过比较治疗前的活检样本和治疗后手术切除的肿瘤，科学家可以测量药效动力学生物标志物——例如关键磷酸化蛋白减少等分子变化——这些变化在靶点结合后的数小时或数天内发生。强大的药效动力学效应为药物按预期工作提供了强有力的早期证据，这远早于任何可见的肿瘤缩小。
随着药物进入更深入的开发阶段，生物标志物对于患者选择变得至关重要。这导致了两种关键的诊断测试监管分类，用于识别这些生物标志物。伴随诊断 (CDx) 是一种药物安全有效使用所必需的检测。药物的标签上会说明，只有生物标志物检测呈阳性的患者才应接受该疗法。另一方面，补充诊断则提供有用但非强制性的信息。药物可能被批准用于更广泛的人群，但该测试可以帮助医生和患者通过指示谁可能获得更大或更小程度的益处来做出更明智的决定。
为了加速这些生物标志物-药物配对的测试，研究人员开发了创新的主方案。伞式试验招募患有单一类型癌症（例如肺癌）的患者，并根据其肿瘤中发现的特定突变，将他们分配到许多不同的子研究或“分支”中，每个分支测试一种不同的靶向药物。这种设计将疾病类型保持不变，这是控制疾病特异性混杂变量的有效方法。相比之下，篮式试验采取相反的方法。它招募患有多种不同类型癌症（例如肺癌、结肠癌、乳腺癌）但都共享同一种分子改变的患者，并用一种靶向该改变的药物来治疗他们。这检验了这样一个假设：分子靶点，而非组织来源，是决定疗效的最重要因素。
也许没有任何领域比癌症免疫治疗更能体现转化肿瘤学的成功。几十年来，我们知道免疫系统原则上可以对抗癌症，但肿瘤有办法给攻击“踩刹车”。
激活T细胞——免疫系统的主要士兵——就像启动一辆汽车。它需要两个信号：信号1是点火钥匙（T细胞受体识别癌抗原），信号2是踩油门（如 $CD28$ 这样的共刺激信号）。为了防止过度激活和自身免疫性疾病，身体有几个“刹车踏板”，即免疫检查点。癌症劫持了这些天然的刹车系统来保护自己。
转化研究出色地阐明了两个主要检查点的不同作用。 在淋巴结中T细胞的“训练阶段”充当中央刹车。它与油门 $CD28$ 直接竞争，有效地提高了激活一支新T细胞军队的门槛。相比之下， 是在“战场”——包括肿瘤在内的外周组织——中使用的刹车。它表达在已经到达肿瘤的活化T细胞上。当T细胞上的 $PD-1$ 与癌细胞上的配体 $PD-L1$ 结合时，它会关闭T细胞，诱导其进入“耗竭”状态。
这种根本性的区别—— 调节 T 细胞的启动， 调节已启动的效应 T 细胞的功能——是机制理解上的一大胜利。它解释了为什么阻断这两个通路可以产生协同效应，并催生了一类新药——检查点抑制剂——它们彻底改变了多种癌症的治疗。这也使我们的旅程形成了一个闭环，因为肿瘤细胞上 $PD-L1$ 的表达现在是一个关键的生物标志物，通过伴随诊断和补充诊断进行测量，用于指导这些强效疗法应用于最可能受益的患者。
如果您曾有幸观看过一位大师级工匠——比如一位钟表匠或一位制琴师——工作，您可能会注意到一些非凡之处。他们不仅仅是组装零件。他们以一种直观而深刻的优雅，理解每一个微小的齿轮或木片如何与所有其他部分相连，一个部分的变化如何波及整体。他们能看到整个系统，从材料的基本属性到物体的最终、优美的功能。
转化肿瘤学就是成为这样一位为人体抗癌斗争服务的工匠的艺术与科学。它关乎在分子世界和医学世界之间搭建桥梁。仅仅发现一个新的齿轮是不够的；我们必须精确地理解它适合哪里，如何转动，以及它驱动什么。在探讨了该领域的原理和机制之后，现在让我们来浏览它的应用，看看这种深刻的理解是如何被用来设计更智能的疗法，提出更好的问题，并建立一个更有希望的未来。
几十年来，癌症治疗通常是一种粗暴的工具。我们知道某些药物可以杀死快速分裂的细胞，所以我们用它们来对付肿瘤，希望对癌症的伤害大于对患者的伤害。但今天，我们可以提出一个更智能的问题：不仅仅是这是什么癌症，而是它对什么上瘾了？
想象一个癌细胞设法关闭了它的自毁程序，即细胞凋亡。这个过程中的一个关键角色是一个名为 $BCL-2$ 的蛋白质家族，它们像卫士一样，阻止细胞启动自我毁灭。一个绝妙的治疗思路是创造一种药物——一种“BH3模拟物”——来欺骗这些卫士，让细胞的促死亡信号得以接管。但是哪些患者应该接受这种药物呢？
一个简单的方法可能是直接测量 $BCL-2$ 蛋白的含量。但这就像通过城墙的高度来判断一座堡垒，却不知道守卫是否在睡觉。一个更聪明的方法是一种称为 $BH3$ 分析的功能性检测。实质上，我们取一份患者的癌细胞样本，在实验室里用药物旨在释放的信号来处理它们。如果细胞迅速崩溃，这告诉我们它们不仅防备森严，而且“已为死亡做好准备”——极度依赖它们的 $BCL-2$ 卫士。这些就是可能产生应答的患者。
但故事并未就此结束。如果药物起作用，堡垒大门被攻破，但自毁命令的最终执行在下游被阻断了怎么办？这种情况是可能发生的。一种名为 $XIAP$ 的蛋白质可以作为该过程的最后一道刹车。如果患者肿瘤中这种刹车的水平很高，那么单用 $BCL-2$ 抑制剂可能就不够了。解决方案是什么？合理的联合疗法。我们加入第二种药物，一种 $SMAC$ 模拟物，专门用于解除 $XIAP$ 这道刹车。通过解读肿瘤的分子蓝图——用 $BH3$ 分析评估其依赖性，用 $XIAP$ 水平评估其下游阻断——我们可以设计出量身定制的策略：对一些患者使用单药治疗，对另一些患者使用联合疗法，而对于那些肿瘤根本不依赖 $BCL-2$ 的患者则采用完全不同的方法。这就是个性化医疗的精髓。
同样的预测艺术也正在彻底改变免疫疗法。像 $PD-1$ 阻断剂这样的检查点抑制剂通过“释放我们自身免疫细胞的刹车”，让它们能够攻击癌症。但要使其奏效，首先必须有免疫反应可供释放。我们如何知道呢？我们可以窃听肿瘤和免疫系统之间的对话。当免疫细胞，如T细胞，识别到威胁时，它们会释放一种名为干扰素-γ ()的信号分子。对免疫系统“可见”的肿瘤会对这个信号作出反应，上调帮助T细胞看到它们的蛋白质，比如 $HLA$ 分子。但是，在一个狡猾的“适应性耐药”行为中，它们也会上调 $PD-L1$，也就是那个能关闭T细胞的“刹车”。
我们可以在实验室里测试这一点。通过取一份肿瘤活检样本，用 $IFN\text{-}\gamma$ 处理它，我们可以测量它的反应。它是否激活了内部的 $JAK/STAT$ 信号通路？它是否增加了 $HLA$ 和 $PD-L1$ 的水平？如果答案是肯定的，这告诉我们两件事：肿瘤与免疫系统有正常运作的通讯线路，并且它正积极试图抑制一场正在进行的攻击。这是 $PD-1$ 阻断剂生效的理想情景。相反，如果一个肿瘤的通路被破坏——比如说，缺少 $JAK1$ 蛋白——它就无法对 $IFN\text{-}\gamma$ 做出反应。它在功能上对免疫系统是隐形的。在这里使用 $PD-1$ 阻断剂将是徒劳的；因为T细胞甚至看不到它们的目标，所以没有刹车可以释放。这就是原发性、内在性耐药。通过绘制这些通路图，我们从充满希望的猜测转向了理性的预测。
然而，我们必须始终用一剂现实来调和我们的乐观。肿瘤不是单一的实体；它们是混乱、演化的细胞群体。即使我们有一种针对特定靶点的“完美”疗法，我们也必须问一个简单而发人深省的问题：究竟有多少比例的细胞可以被杀死？想象一种T细胞疗法，被设计用来识别一个呈递在特定HLA分子上（比如HLA-A02:01）的肿瘤新抗原。一个细胞要成为靶点，必须有一连串事件不被中断：它必须携带产生新抗原的突变，必须表达正确的HLA分子来呈递它，并且必须处理和呈递足够多的新抗原以被识别。一个肿瘤可能开始时100%的细胞都带有目标抗原。但随着时间的推移，可能会出现一个亚克隆，它只是删除了自己的HLA-A02:01基因拷贝——这是一种经典的免疫逃逸机制，称为杂合性丢失 (LOH)。这些细胞现在对该疗法完全隐形了。一个简单的计算揭示了这一挑战：如果85%的细胞拥有该抗原，而其中只有60%保留了必需的HLA等位基因，而这些细胞中又只有75%呈递了足够多的抗原以触发杀伤……那么可被杀伤的细胞的最大比例突然下降到略高于38%（）。这说明了肿瘤异质性的巨大挑战，以及为何单一的“银弹”如此难以寻觅。
癌细胞并非生活在真空中。它存在于一个复杂的生态系统——肿瘤微环境——之中，它塑造着这个环境，也被这个环境所塑造。要真正理解癌症，我们必须成为这片隐藏景观的地理学家。
这片景观最关键的特征之一是氧气供应。肿瘤的生长速度常常超过其血液供应，从而造成大片缺氧区域。我们可以利用病理学工具将这些区域可视化。通过对一种名为 $HIF-1\alpha$ 的蛋白质进行肿瘤切片染色——该蛋白质仅在低氧条件下稳定——我们可以创建一张缺氧区域的地图。我们经常看到一个引人注目的模式：紧挨着血管的细胞状态良好，但随着距离的增加，超出了氧气的扩散极限，细胞开始表达 $HIF-1\alpha$。实际上，它们正在慢慢窒息。
这不仅仅是一个学术观察；它具有深远的临床意义。我们最强大的癌症疗法之一——放疗，其作用原理是产生能够撕裂DNA的活性分子。然而，这个过程在有氧气的存在下效率要高得多，因为氧气可以“固定”损伤，使其成为永久性的。在 $HIF-1\alpha$ 染色揭示的缺氧荒漠中，放射治疗的效果要差得多。这些缺氧细胞具有放疗抵抗性，它们可以在治疗中存活下来并重新增殖，导致肿瘤复发。了解肿瘤的地理分布使我们能够预测这种抵抗，并可能引导我们开发克服它的策略，例如专门靶向缺氧细胞的药物或改善肿瘤氧合的治疗方法。
肿瘤的环境远不止其近邻。它与整个身体相连，包括生活在我们肠道中的数万亿微生物。这种被称为肠-肝轴的联系是转化肿瘤学最激动人心前沿之一。我们的肝脏产生胆汁酸以帮助消化脂肪。这些胆汁酸被肠道细菌修饰成次级胆汁酸，如脱氧胆酸 (DCA)。事实证明，这些微生物代谢物中的一些可能是麻烦制造者。当DCA在结肠中达到高浓度或被重新吸收回肝脏时，它可作为一种遗传毒素。它可以损害细胞膜，产生活性氧 (ROS) 从而破坏DNA，并促进那种驱动癌症的慢性炎症和DNA损伤。
这一惊人的见解——我们肠道中的细菌可能导致我们肝脏或结肠的癌症——开启了全新的治疗可能性。我们能否开发出只消除产生DCA的“坏”细菌的靶向抗生素？我们能否用药物将这些有害代谢物隔离在肠道中，使它们不能被吸收？我们能否调节身体自身的调节系统，如 $FXR$ 受体，以减少胆汁酸的总产量？这是最具创造性的转化科学，在最意想不到的地方寻找疾病的根本原因。
转化的突破并非凭空出现。它们是建立在强大工具和巧妙实验模型基础之上的严谨发现、验证和测试过程的产物。
过去十年见证了“组学”技术的爆炸式增长，使我们能够生成惊人数量的数据。例如，空间转录组学可以绘制出完整组织切片上数千个基因的表达图谱，揭示每个细胞在其原生环境中的分子活动。但能力越大，责任越大。我们如何知道我们看到的模式是真实的生物信号，而不仅仅是技术假象？答案是正交验证。
如果你的新潮空间图谱表明某个基因在肿瘤的侵袭前沿高度表达，你必须用另一种方法——另一种“尺子”——来证实它。你可以使用 RNAscope，一种能让你在显微镜下将单个 RNA 分子可视化为微小点的技术。或者你可以使用免疫组织化学来查看该基因的蛋白质产物是否也在同一位置富集。或者你可以用激光物理切割出侵袭前沿和肿瘤核心，然后用 qRT-PCR 测量每个区域中该基因的表达。要严谨地做到这一点，不同的组织切片必须进行数字化对齐，分析必须是定量的，并且必须包含适当的对照。在“组学”时代，这种艰苦的交叉验证过程是科学真理的基石。
一旦药物靶点被验证并且药物被开发出来，我们如何确认它在患者体内确实有效？我们不能等上几个月看肿瘤是否缩小。我们需要一个药效动力学生物标志物——一个药物对其靶点产生即时效应的分子读数。考虑一种旨在抑制名为 $XPA$ 的DNA修复蛋白的药物。一个绝佳的测试方法是在治疗前取一小块肿瘤活检样本，在药物血液浓度达到峰值时再取一块。在实验室里，你会用标准剂量的紫外线照射这两个活检样本以诱导DNA损伤。然后，使用像 XR-seq 这样的复杂技术——该技术专门测量修复过程中切除的微小DNA片段——你可以直接量化修复机器的活性。如果药物有效，治疗中的活检样本将显示出比治疗前样本少得多的修复活性。设计这样的实验需要极大的严谨性：采用配对设计使患者成为自己的对照，使用标准化的损伤输入以确保公平比较，以及采用先进的归一化技术以确保测量是绝对和定量的。这就是我们如何建立对药物按设计发挥作用的信心。
最后，转化引擎的一个关键部分是使用合适的模型。虽然实验小鼠非常宝贵，但它们并不总能捕捉到人类癌症的复杂性。在这里，我们有一个极好且或许令人惊讶的盟友：我们的宠物。比较肿瘤学是研究狗等动物自发性癌症，并将其作为人类疾病模型的领域。患有骨肉瘤（骨癌）的狗与我们共享环境，拥有比实验小鼠更复杂的免疫系统，并且其肿瘤在组织学、向肺部转移的倾向、潜在的遗传驱动因素（如 $p53$ 和 $RB1$ 的突变）乃至对化疗的反应模式上，都与人类骨肉瘤惊人地相似。通过将这些伴侣动物纳入新药的临床试验，我们可以在一个更接近人类状况的环境中学习到关于疗效和毒性的宝贵经验，从而加速为这两个物种开发更好的治疗方法。
归根结底，实验室与临床之间的桥梁是用数字建造的。现代生物学是一门定量科学，转化肿瘤学也不例外。拥有一个绝妙的假设或一个美丽的分子染色是不够的；我们必须用不妥协的统计严谨性来分析得出的数据。
考虑组织微阵列 (TMA)，这是一个强大的工具，它将数百个微小的患者肿瘤核心样本排列在单张玻璃载片上，从而实现生物标志物的高通量分析。当我们测量来自同一患者的几个重复核心样本上某生物标志物的强度时，我们会注意到一些变异。这种“噪音”是一种测量误差。一个简单的方法是直接将这些核心样本的数值取平均，然后将该平均值与患者生存期进行关联。然而，统计学家已经证明，这种测量误差会系统性地削弱表观的关联性，这种现象称为衰减偏倚。它可能使一个真正强大的生物标志物看起来毫无用处。
解决方案不是放弃，而是采用更复杂的统计方法。通过使用重复的核心样本来估计测量误差的大小，我们可以使用回归校准或SIMEX等技术来校正衰减，从而揭示关联的真实强度。同样，当我们分析来自同一肿瘤内多个区域的数据时——例如，当将MRI扫描的影像组学特征与配准的组织块中的病理学特征相关联时——我们不能将每个区域视为一个独立的数据点。来自一个患者的区域彼此之间比来自另一个患者的区域更相似。忽略这种“聚集性”可能导致大量的假阳性结果。正确的方法是使用统计模型，如线性混合效应模型，这些模型明确地考虑了这种层次化数据结构。
这可能看起来是深奥的统计细节，但它正是循证医学的根基。物理学家 Richard Feynman 曾说：“对于一项成功的技术，现实必须优先于公共关系，因为自然是无法被愚弄的。”在转化科学中，严谨的统计学是我们确保我们正在倾听自然之声，而不仅仅是我们自己的希望和偏见的方式。
从细胞凋亡的复杂舞蹈到肠道广阔的生态系统，从新技术的验证到将我们的犬类伴侣作为研究伙伴的接纳，转化肿瘤学是一个由连接定义的领域。它跨越学科，将机制与结果联系起来，最重要的是，它将我们最深刻的科学理解与患者的迫切需求联系起来。这是一段发现之旅，需要创造力、严谨性，以及对生命世界统一且最终可知的之美的持续欣赏。