如何利用蛋白质组学技术治疗癌症

你有没有想过，为什么有些抗癌新药在实验室里效果绝佳，一进临床试验就翻车，还附带一堆莫名其妙的副作用？

2026年6月，西湖大学郭天南团队联合多家机构，干了一件颠覆性的事——他们成功绘制出

迄今分辨率最高、覆盖范围最广的人体蛋白质组空间图谱

。

这张“地图”覆盖了

58种正常组织和25种癌症类型

，精准定量了

13609种蛋白质

，并且已经全部向全球研究者开放。这意味着，过去药物研发像是在

黑箱里摸索

，而现在，我们有了导航。

覆盖58种正常组织与25种癌症类型的人体蛋白质组空间图谱

蛋白质是绝大多数药物的直接作用靶点，但过去我们对它们在人体内的分布几乎一无所知。郭天南教授打了个比方：

药物研发一直在黑箱里摸索

，因为不知道靶点在正常器官里长什么样，导致很多抗癌新药在临床试验中因为伤及无辜而宣告失败。

蛋白质组学就像是给人体做了一次

超级全面的“蛋白质人口普查”

——它不只看基因，而是直接看谁在“干活”。

通过对比肿瘤组织和癌旁正常组织，研究团队识别出

8940个差异表达蛋白

，还发现了

33个在超过20种癌症中共同上调的蛋白

，涉及DNA复制、抗氧化等基础生命过程。这意味着，我们不仅能看到个别癌症的“坏蛋”，还能揪出那些在多种癌症里都作乱的“惯犯”。

过去发现老药的新用途，多半靠运气。现在有了蛋白质组地图，变成了查地图式的精准搜索。

一个经典案例是

Trodelvy

。它原本是用于治疗三阴性乳腺癌的ADC药物，靶向TROP2和TOP1。通过蛋白质组图谱分析，研究团队发现，

这两个靶点在子宫内膜癌组织中同时高表达

。这一发现迅速推动了二期临床试验，结果初步验证了它的治疗潜力。

更妙的例子是药物副作用机制被彻底解密。比如降脂药吉非罗齐，为什么和其他药联用时会导致严重不良反应？蛋白质地图揭示，

CYP2C8这种代谢酶在肝脏中极其富集

，可被多达302种药物靶向。

一旦吉非罗齐把这把“锁”卡住，其他药物的血药浓度就会飙升8-10倍，引发横纹肌溶解、急性肾损伤。

这就像拿到了城市的“地下管网图”——以前只知道某个地方老爆水管，现在一眼就能看出是哪根管子出了问题。

蛋白质组学还让癌症治疗从“一刀切”走向了

细胞级别的“定制化”

。

复旦大学团队开发的

HER2-LADDER系统

，只利用临床常规的病理切片，对1249例HER2阳性乳腺癌患者进行分层。模型预测的AUC高达

0.944

——这意味着它能极其精准地预测患者对治疗的反应。结果令人震惊：

低分组患者

：病理完全缓解率高达

96.2%

，完全可以考虑减少治疗强度

高分组患者

：缓解率仅为

19.6%

，标准方案几乎无效，应该立即换用更猛的ADC药物或靶向药这个分层让医生有了清晰的路线图：

评分每增加0.1个单位，患者没达到病理完全缓解的风险就飙升近7倍

。从此，同一个病名，治疗方式可以完全不同。

2026年ASCO年会上，ADC药物成为全场焦点。全球已有

13种在欧洲获批，近400种正在研发

。但ADC药物成败的关键在于

靶点选择

——抗体必须像精准导弹一样识别肿瘤表面的特异蛋白。

郭天南团队从蛋白质图谱中，直接筛出了

41个满足条件的细胞质膜蛋白

。这些蛋白在肿瘤细胞上高度表达，而在正常组织中表达极低，是最理想的ADC“导航信标”。

中山大学方文峰团队的临床数据进一步验证了这条路径：他们通过蛋白质组分析发现，

TROP2是EGFR-TKI耐药细胞的关键标志物

。于是将TROP2-ADC药物芦康沙妥珠单抗与奥希替尼联用，成功

延缓了非小细胞肺癌对EGFR靶向药的耐药

。

二期临床试验结果优异——这不是偶然，而是蛋白质组学指导下的“靶向截击”。

郭天南团队已经把目光投向了更远的未来。他们正在利用AI和机器学习，将海量蛋白质组数据整合成可预测、可交互的

虚拟细胞（AIVC）模型

。

届时，药物研发不再需要反复做动物实验和临床试验试错，而是可以在数字孪生中先跑一遍，

像天气预报一样预测药物疗效

。

当然，挑战依然存在：单次蛋白质组检测的成本尚未公开，能否纳入医保？肿瘤的动态演化如何实时监测？数据解读和临床医生的认知门槛怎么跨过去？

但有一件事已经确定：癌症治疗从此告别了“蒙眼狂奔”的时代。从此，抗癌不再靠“猜菜名”，而是靠“看地图”。