随着对乳腺癌生物学行为的不断深入了解，新型作用机制的药物研发如火如荼，已有乳腺癌分型已不能充分支撑治疗决策的确定。这项研究通过对I-SPY2-990 mRNA/RPPA数据资源的深入探索，建立了新的乳腺癌分型模式，结合了HER2状态、Immune、DRD和Luminal样生物表型，对指导乳腺癌研究、药物研发、改善个体药物优先使用次序、提高pCR率具有重要作用。
研究背景
乳腺癌新辅助治疗后获病理完全缓解（pCR）者,长期结果更好。I-SPY2研究是多中心新辅助治疗平台研究，专用于高风险早期乳腺癌，旨在发现新的治疗方法和治疗组合，以提高疗效。I-SPY2研究中，多种治疗方案同时进行并与共同的对照组进行比较，主要终点是pCR。
肿瘤亚型的价值在于对患者分层并采取相应的治疗策略以提高疗效。乳腺癌的HR/HER2分型可预测肿瘤内分泌治疗和HER2靶向治疗反应。乳腺癌现有治疗包括含铂药物、PARP抑制剂、PIK3CA抑制剂、mTOR抑制剂、双抗HER2治疗、免疫治疗。这些治疗所蕴含的机制远超HR和HER2所能代表的肿瘤生物学特征。因此，超越HR/HER2的以肿瘤分子学特征为基础的分子亚型可能会更好地指导患者个体化的选择新药治疗，从而提高疗效（即pCR率）。
I-SPY2研究对纳入的肿瘤进行了全面多组学分子特征分析，并对靶向不同分子途径的药物进行了评估，这为建立乳腺癌新亚型提供了可能。截至2021年9月，I-SPY2研究共纳入1,979例肿瘤患者，评估了20种药物，其中16种已完成评估，包括pan-HER2抑制剂和抗HER2药物、PARP抑制剂/DNA损伤药物组合、AKT抑制剂、免疫治疗以及ANG1/2、IGF1R和HSP90抑制剂联合标准化疗。本文对I-SPY2研究中已完成评估的9个研究组和1个对照组的数据进行了分析。
I-SPY2标志物研究中，治疗前标志物平台有二个：基因表达阵列和反相蛋白阵列（RPPA）。RPPA时首先通过激光捕获微切除（LCM）富集纯化肿瘤上皮、基质和肿瘤内免疫细胞。标志物分为标准、预选和探索性三类。标准标志物为常规使用，美国FDA已批准，或为研究性装置豁免（IDE）状态（如HR，HER2，MP[MammaPrint，高MP1，超高MP2]，MRI功能性肿瘤体积）并用于临床决策。预选标志物为预先指定进行分析的标志物，现有证据表明其具有预测治疗反应的作用，并在CLIA条件下进行检测，预选标志物可因药物而异，可使用预先指定的统计框架前瞻性检测其预测治疗反应的作用。探索性标志物是提出假说，通过临床数据发现可能具有预测作用的标志物。
本文汇总并进一步探索了I-SPY2研究中10组的预选标志物结果，并将标准和预选标志物信息结合，创建了新的治疗反应预测分型（RPSs），相较于HR/HER2亚型可更好的匹配研究药物。该RPS分型模式将在I-SPY2.2中前瞻性的应用。与本文同时公开的还有SPY2-990 mRNA/RPPA Data Resource，包括990例乳腺癌患者的基因表达、蛋白/磷蛋白数据以及包括治疗和治疗反应的临床信息。
研究方法
使用I-SPY2新辅助治疗平台研究（NCT01042379）中的临床数据、基因表达和蛋白/磷蛋白数据，通过新的肿瘤生物学信息重新对乳腺癌进行分型，以更好的预测药物治疗反应。
研究结果
共探索了>11种新分型，鉴定出与最佳pCR率相匹配的分型，该分型包括Immune、DNA修复缺陷（DRD）和HER2/Luminal表型信息（图1）。治疗评估显示pCR率由根据HR/HER2分型选择治疗的51%增至63%，HR+亚型患者因重新分型而使治疗选择和pCR率改善最显著（>15%）。引入新治疗时，该亚型模式可确定显示疗效所需的最小治疗反应率。
图1. 建立新分型模式图
讨论
这研究中公开的I-SPY2-990 mRNA/RPPA数据包含肿瘤治疗前基因表达数据、肿瘤上皮细胞特异性蛋白/磷蛋白数据以及I-SPY2中已完成研究的前10组共990例乳腺癌患者的临床/治疗反应信息。这些使用相同方案集中收集的高质量分子数据包含了患者水平的对不同作用机制抗癌药物的治疗反应，所用药物包括DNA损伤药物（铂、蒽环类）、PARP抑制剂、AKT抑制剂、血管生成抑制剂（ANG1/2、Tie2）、免疫治疗（PD1）、小分子pan-HER2抑制剂和双抗HER2治疗。
上述数据已用于预选标志物和探索性标志物的研究，对不同作用机制的标志物预测治疗反应的能力进行了评估，包括含铂治疗、奈拉替尼、AKT抑制剂MK2206、帕博利珠单抗、TDM1/帕妥珠单抗（TDM1/P）以及抗Ang1/2治疗trebananib等。本研究对已明确的标志物的跨组评估发现，至少在一个研究组中证实与治疗反应相关的标志物在其他研究组中同样具有预测治疗反应的作用。Immune、增殖和ER/Luminal途径的表达特征可预测多个亚型对多种作用机制的多种治疗方案的治疗反应。而HER2、EGFR、AKT/mTOR和其他途径的磷蛋白似可特异性地预测靶向相关作用机制药物的治疗反应，但最特异的标志物可能并不最具预测能力，并且不同受体亚型对同一药物可能有不同的预测标志物。
本研究对哪些患者对哪些治疗有反应以及原因进行了归纳，免疫治疗反应者具有高水平的免疫特征，但不同的受体亚型似有不同的预测生物学：高树突细胞，趋化因子和STAT1细胞/信号最能预测三阴性乳腺癌（TN）的治疗反应，而高B细胞和低肥大细胞信号预测HR+HER2-亚型pCR最佳。跨平台探索性免疫表达标志物分析进一步细化了免疫亚群及其与治疗反应的关系。RPPA定量的肿瘤上皮MHC II类水平和治疗前STAT1激活（磷酸化）与I-Spy2中的帕博利珠单抗治疗反应和新辅助治疗中的度伐利尤单抗治疗反应相关。铂剂+PARP抑制剂Veliparib的治疗反应在TN中由高DRD和STAT1相关免疫信号预测，在HR+HER2-乳腺癌中由DRD和高增殖预测。双抗HER2T治疗的HER2+反应者倾向于具有更高的HER2信号、蛋白和磷蛋白表达水平，增殖信号可区分HR+HER2+亚型对TDM1/P和THP不同的治疗反应。
利用上述结果和临床信息，建立了可预测治疗反应的亚型，纳入了除HR/HER2以外的肿瘤生物学特征，为更好的药物选择提供信息。纳入的生物学特征包括增殖、DRD、Immune、Luminal、Basal和HER2状态，它们能预测较新药物的治疗反应。将较多亚型归纳为较少亚型对临床实践更具意义，理想的可预测治疗反应的亚型应具如下特征：（1）能区分最佳治疗，意味着不同亚型应有不同的最佳治疗，从而产生最高pCR率； （2）指导优选治疗并因此产生更高的pCR率； （3）可区分多种治疗的有反应者和无反应者；（4）适用于平台，适用于具有相同作用机制的不同药物，且易于临床实施。
本研究共探索了≥11个基于mRNA表达的具有预测治疗反应作用的亚型，最终选择治疗反应预测亚型5（RPS-5）在I-SPY2中前瞻性评估。RPS-5主要适用TN和HER2+患者。I-SPY2研究中TN的免疫治疗和含铂治疗组均已完成，其结果在后续大型随机研究BrighTNess和KEYNOTE-522中得以验证。本研究通过免疫和DRD标志将TN分型，以确定对每种治疗的反应，以及可否识别不需含铂化疗+免疫治疗即可获pCR的患者，从而使其免受联合治疗的毒性。根据帕博利珠单抗的疗效，将该分型也用于HR+HER2-患者，发现许多免疫标志物与治疗反应相关，其他免疫治疗组亦如是。既往研究表明，Veliparib/卡铂治疗有反应者可通过DRD标志物（如PARPi7与MP2）确定，也可由BP-Basal亚型确定。本研究使用BP-Basal分型评估HR+HER2-乳腺癌中的DRD表型源于该检测在CLIA条件下进行，并已向FDA递交IDE应用，便于临床实践，虽然本研究中的PARPi7-high/MP2的性能更好。HER2+患者通过 Luminal信号重新分型，以更好地识别更可能对双抗HER2治疗有反应的亚型和需要不同治疗策略的亚型。
简化的RPS-5共有5个亚型：HER2-/Immune-/DRD-、HER2-/Immune+、HER2-/Immune-/DRD+，HER2+/BP-HER2或Basal和HER2+/BP-Luminal。使用该分型可使pCR率最大化，HER2-/Immune-/DRD+者优先考虑含铂治疗，HER2-/Immune+者优先考虑检查点抑制剂治疗、HER2+而非Luminal型者优先考虑双抗HER2治疗。HER2+/Luminal患者对双抗HER2治疗反应率低，但却对包括AKT抑制剂的联合治疗反应更好。一般情况下HR阳性对确定是否进行辅助内分泌治疗非常重要，但在RPS-5中却未使用该指标，因为根据HR状态进一步细分不会影响药物的优选使用。在计算机模拟实验中，根据HR/HER2亚型匹配最有效治疗可将研究水平的pCR率从19%提高到51%，根据RPS-5则可将pCR率提高到58%。
纳入HR/HER2以外的生物学指标的分子亚型可不断更新，更好地指导个体患者选择新的治疗方法，提高疗效（即pCR率）。但在整个研究人群中比较改进的标志物与改进的药物对治疗反应率的影响时发现，多数pCR获益似乎来自正确的治疗方法（+30%），其他pCR获益来自改进的标志物（≤10%-15%）。I-SPY2中的患者，根据Immune、Luminal和HER2三种状态标志物选择药物治疗，最高pCR率为65%，此局限性可能源自Luminal患者的Immune-和DRD-，对研究中的任何治疗均反应欠佳，但预测许多患者对内分泌治疗有反应，可能获益于新辅助内分泌治疗，正在考检虑测该种治疗方法。
研究发现，不同分型模式具有不同的最佳治疗汇总，其中某些治疗（如帕博利珠单抗）适用于所有分型模式，而其他药物只适合部分分型模式或根本没有适用的分型模式。当有助于提高治疗反应率的新药出现时，可将其他生物表型纳入现有亚型模式中，以低HER2靶向药物为例，纳入HER2状态变量（HER2-0、HER2-low，HER2+）后，计算机模拟实验中RPS-7分型可进一步改善总体人群的pCR率。
需要注意的是，具有预测作用的生物学表型如Immune+和其临床实施指标并不完全相同。如本研究中的Immune+是基于各种不同亚型的特征（如HR+中的B细胞特征，TN中的STAT1/趋化因子特征），而其他反映相似生物学的特征也可用于识别相同的生物学表型，并具有相似或改善的预测性能，因为相同生物学的标志物高度相关，潜在生物学信号稳定。将研究中选择的指标用于临床实践时需要将其转换为更直接的预测指标，我们已开发了一些临床上可行的模式，并提交了IDE，以便在下一代I-SPY2.2研究中能进行前瞻性检测。
Wolf DM, Yau C, Wulfkuhle J, et al. Redefining breast cancer subtypes to guide treatment prioritization and maximize response: Predictive biomarkers across 10 cancer therapies. Cancer Cell. 2022;40(6):609-623.e6. doi:10.1016/j.ccell.2022.05.005
排版编辑：肿瘤资讯-Luka
苏公网安备32059002004080号
