尽管外科技术、化疗和放疗已经取得了数十年的进步，但原发性脑肿瘤患者的临床前景仍然不容乐观。与其它恶性肿瘤相比，胶质母细胞瘤和其他高级别胶质瘤虽然相对罕见，但它们造成的癌症相关死亡率却不成比例地高。据密歇根大学的研究人员称，生存结果的缺乏显著进展使得必须转向高度个性化、数据驱动的治疗策略。
在最近一次关于发表在《自然·通讯》上的突破性研究的采访中，该研究的共同第一作者Baharan Meghdadi博士详细介绍了“数字孪生”平台的开发过程，该平台旨在模拟肿瘤代谢，并预测个体患者可能对特定靶向疗法产生的反应。
标准治疗的停滞
这一研究方向的动机源于标准治疗长期缺乏改进。
“脑癌……一直是罕见的癌症类型之一，但如果你看死亡率，它在人类癌症中排名前十，”Meghdadi指出。她强调了一个令人担忧的流行病学趋势：“在过去20年里，美国的死亡率变化不大。考虑到过去十年一直采用的标准治疗——即手术切除、化疗和放疗，我们看到死亡率几乎没有变化。”
这种平台期表明，Stupp方案的“一刀切”方法已经达到了极限。为了推动生存率的提高，该研究聚焦于肿瘤的代谢异质性。
“我们需要对每位患者进行更多关于个体化治疗的研究，以改善预后，”Meghdadi解释道。
绘制代谢组的“细胞业务”
数字孪生技术的核心在于代谢组学——对细胞内小分子的大规模研究。通过了解癌细胞特定的“业务”（如Meghdadi所说），研究人员可以识别出健康组织中不存在的脆弱点。
该过程始于标记营养素的输注。
“我们给患者输注一种更重的葡萄糖形式，它会被细胞消耗，并产生其他在细胞中发挥功能的代谢物，”Meghdadi解释说。
通过追踪这些重同位素，研究团队可以绘制代谢通量图：即分子在代谢途径中移动的速率。这种差异化至关重要。
“通过实际测量这些代谢物的重质量，我们可以发现哪些途径……在癌症中很重要，并与正常组织进行比较，”Meghdadi说。“这些途径或这些代谢物之间的相互转化在癌细胞中与正常细胞不同。它们需要改变自身的代谢来增殖。”
数字孪生作为计算临床试验
这些代谢网络的复杂性使得通过简单观察来预测药物反应变得不可能。这就是“数字孪生”发挥作用的地方。通过将同位素碳测量与基于第一性原理的建模和人工智能相结合，研究团队可以创建患者特定肿瘤代谢的计算副本。
“我们在这里使用的数字孪生方法是在模拟肿瘤细胞和正常细胞的代谢，因为我们无法在真实患者中测量重要的代谢途径，”Meghdadi解释说。“因此，通过使用数字孪生，它就像一种计算临床试验。”
这种方法允许一个“快速失败”的环境，在多种治疗药物到达患者之前就可以进行测试。
“在我们真正对真实患者使用任何药物之前，我们可以通过这种原理建模……并利用人工智能和机器学习来预测它在患者体内的反应，这为我们提供了一些在临床试验之前的预测，”她补充道。
靶向恶性肿瘤的构建模块
这种代谢图谱的最终目标是识别出能够“饿死”癌细胞，同时保护大脑健康实质的药物。通过估计代谢物的转化速率，研究人员可以准确找出癌症赖以构建其结构成分的途径。
“然后我们可以发现哪些途径对癌细胞更重要，它们利用这些途径来制造DNA和RNA的构建块以进行增殖，”Meghdadi指出。“因此，如果有药物可以靶向这些途径，我们就可以将其用于该患者，以杀死癌细胞，而且不会伤害正常细胞，因为正常细胞不依赖那条途径。”
未来方向：走向临床
虽然该平台在临床前环境中显示出显著的前景，但向临床应用的过渡仍然是下一个主要障碍。研究人员已经在动物研究中验证了该模型的预测能力。然而，研究团队对向人体应用的跨越持谨慎态度，强调前瞻性验证至关重要。
“未来，为了看看这种方法是否有效，我们需要在患者中进行某种临床试验，”她总结道。
随着肿瘤学界继续与胶质母细胞瘤的顽固性作斗争，代谢组学与人工智能驱动的数字孪生的整合为长期寻求的真正个性化神经肿瘤学目标提供了一条潜在的路径。
参考文献
- Meghdadi B, Al-Holou WN, Scott AJ, et al. Digital twins for in vivo metabolic flux estimations in patients with brain cancer. Cell Metab. 2026 Jan 6;38(1):228-246.e17. doi: 10.1016/j.cmet.2025.10.022. Epub 2025 Dec 1. PMID: 41330373; PMCID: PMC12695069.
- Brain cancer digital twin predicts treatment outcomes. News release. University of Michigan. January 12, 2026. Accessed March 4, 2026.
【全文结束】