肿瘤干细胞靶向适配体的临床转化现状与挑战2025-07-09 08:27:12
文献报道了利用机器学习和深度学习技术分析高维多组学数据，发现预测癌症治疗反应的生物标志物。在CSCs靶向ApDCs的开发中，这种多标志物策略将有助于设计针对特定CSCs亚群的ApDCs，提高治疗特异性和疗效，同时减少非靶效应。传统的适配体筛选方法耗时且劳动密集，而人工智能的引入正在显著加速这一过程。人工智能驱动的计算工具，如深度神经网络，能够快速预测适配体与CSCs靶点的结合构象，优化适配体序列的设计。这些工具通过整合结构预测、分子对接和分子动力学模拟，显著提高了适配体筛选的效率和准确性。例如，基于深度学习的AptaNet通过分析适配体和靶点蛋白的特征，成功预测了适配体-蛋白质相互作用。截至目前，并没有靶向肿瘤干细胞的适配体获批应用于人体，相关研究仍未进入临床试验。但最新肿瘤治疗临床试验显示，CSCs靶向适配体具有一定的应用前景。例如，AS1411适配体靶向核仁蛋白，已开展I期和II期临床试验，用于治疗固体肿瘤和急性髓细胞白血病。AS1411的I期临床研究评估了其在晚期实体瘤和AML患者中的安全性与初步有效性，证实其耐受性良好并促成II期研究。然而，在转移性肾细胞癌未筛选人群的II期试验中，该药物因疗效欠佳而提前终止开发。
AS1411对AML治疗效果的研究虽在早期阶段观察到潜在抗癌活性，但最终也未进行更深入的临床评估。目前研究重点已转向AS1411分子结构的优化。适配体的临床转化面临诸多挑战，包括体内脱靶效应、核酸药物的不稳定性和潜在的安全性问题。建立专门的临床转化平台是解决这些挑战的关键。该平台将整合实验室研究与临床试验，促进 ApDCs 的安全性和有效性评估。
出自《肿瘤干细胞标志物及其适配体研究进展》 作者:潘尚阳，张文静，陈晓阳.
上一篇： 肿瘤异质性动态监测与精准治疗策略研究
下一篇： 乳腺癌分子分型与临床病理特征研究进展
