
引言
一项发表于J Hematol Oncol杂志(IF=40.4)的综述系统整理了ADC在乳腺癌领域中的发展历程,重点关注了靶点拓展、结构优化、耐药机制以及与TME的相互作用。文章还探讨了旨在提升治疗效果和克服耐药的新兴策略。本文特整理如下,以飨读者。
研究背景
尽管内分泌治疗、化疗和靶向治疗都在乳腺癌治疗领域取得了显著进展,但相当一部分患者仍然会产生耐药性。这些持续存在的临床挑战突显了对精确治疗策略的需求。在此背景下,ADC作为一种创新的靶向疗法应运而生,通过将单克隆抗体与高效细胞毒性载荷通过特异性连接子偶联,实现化疗药物向肿瘤细胞的靶向递送,旨在最大限度提高抗肿瘤疗效,同时限制脱靶毒性。本综述旨在总结ADC在乳腺癌治疗领域中的发展演变,概述关键耐药机制,并探讨TME相关因素在调节ADC活性中的潜在作用,为开发更有效、更加个体化的ADC提供新证据。
核心结果
ADC的结构演进与作用机制
ADC在乳腺癌中的演变是由抗体/靶点选择、连接子设计以及有效载荷毒性和功能的协同优化驱动的。以
以

图1.ADC药物的结构演变
HER2 ADC的临床演进与HER2低表达的拓展
在HER2阳性乳腺癌领域中,ADC明显拓宽了治疗格局。T-DM1已在HER2过表达肿瘤患者中显示出明确的临床益处。随后,第二代ADC T-DXd在HER2低表达(IHC 1+或IHC 2+/ISH–)转移性乳腺癌患者中显示出显著的临床活性。在关键III期DESTINY-Breast04研究中,与化疗相比,T-DXd显著改善了HER2低表达患者的无进展生存期(PFS)(中位PFS为9.9个月 vs 5.1个月)和总生存期(OS)(中位OS为23.4个月 vs 16.8个月)。在DESTINY-Breast03研究中,T-DXd与T-DM1相比,表现出了更长的中位PFS(28.8个月 vs 6.8个月)和有利的生存趋势。
TROP-2 ADC在TNBC和HR+/HER2-乳腺癌中的应用
滋养层细胞表面抗原2(TROP-2)ADC已成为晚期乳腺癌的重要治疗选择。
在结构优化方面,一系列新型TROP-2 ADC正在进入临床前和早期临床验证阶段,例如OBI-992可绕过ATP结合盒(ABC)转运蛋白介导的外排泵,双特异性ADC BCG033同时靶向蛋白酪氨酸激酶7(PTK7)和TROP-2,旨在最大限度地提高肿瘤特异性递送成功率,同时减轻脱靶毒性。
HER3 ADC:新兴临床证据与挑战
HER3(ERBB3)作为表皮生长因子受体(EGFR)家族成员,缺乏细胞内激酶活性,但通过与HER2形成异二聚体,优先激活磷脂酰
TME对ADC疗效及重编程策略的影响
TME是影响ADC疗效和获得性耐药的关键因素。TME中的致密细胞外基质(ECM)和高间质液压可限制ADC在肿瘤组织中的均匀渗透,导致药物浓度不足。同时,TME中的免疫抑制细胞,如肿瘤相关巨噬细胞(TAMs)通过分泌转化生长因子β(TGF-β)和白介素10(IL-10)等因子表达“别吃我”信号(CD47/SIRPα轴)来抑制T细胞功能,从而导致免疫抑制微环境,这可能削弱ADC活性。
对TME进行重编程的策略目前有两个平行的发展方向:连接子优化和联合免疫治疗。新一代ADC采用控释连接子以提高肿瘤特异性,例如Dato-DXd使用的可裂解的四肽连接子可被肿瘤细胞内的溶酶体蛋白酶(如组织蛋白酶)裂解,实现药物在靶细胞内的精确释放。在联合免疫治疗策略中,CD47阻断剂和程序性死亡受体1(PD-1)抑制剂在早期研究中显示出协同潜力,通过清除M2型TAMs和恢复T细胞功能,可能逆转免疫抑制微环境。

图2.ADC介导的TME重编程
ADC耐药机制
ADC的耐药机制包括抗原下调或缺失、内吞或细胞内转运受损以及有效载荷主动外排。
HER2 ADC耐药:早期T-DM1的耐药常由多药耐药基因1(MDR1/ABCB1)介导的药物外排和溶酶体降解受损驱动。相比之下,T-DXd中的载荷是MDR1的不良底物,使其能够绕过这些经典外排泵。最近的研究表明,上调的p21活化激酶5(PAK5)通过驱动HER2核内蓄积促进耐药,使靶点远离细胞膜,减少ADC与靶点的结合。
TROP-2 ADC耐药:获得性耐药常涉及平行基因组改变。TACSTD2/TROP-2 T256R错义突变导致质膜定位缺陷和抗体细胞表面结合减少,同时伴有典型的DNA拓扑异构酶1(TOP1)有效载荷耐药突变(如E418K),从而对TROP-2 ADC产生耐药性。TROP-2表达受转录调控,化疗介导的表观遗传修饰可能下调其表达。TROP-2与
HER3靶向ADC耐药:HER家族成员(包括EGFR/HER3/HER4)之间的代偿性激活可能驱动耐药,但系统性时空演变数据仍缺乏。

图3.ADC的耐药机制和联合治疗策略
人工智能和数字孪生技术在ADC发展中的应用
人工智能和数字孪生技术正越来越多地应用于ADC的发展中。例如,深度学习框架和结构预测模型被广泛用于优化抗体-抗原结合亲和力,并设计具备环境响应性、结构稳定的连接子,从而最大程度地减少脱靶。数字孪生模型通过模拟ADC在虚拟TME中的时空药代动力学(PK)和药效学(PD),可能有助于预测间质液压力和最佳给药方案,并评估协同组合,如ADC与免疫检查点抑制剂或抗血管生成剂的组合,以识别可能改善肿瘤渗透和免疫原性细胞死亡,同时还能减轻累积毒性的方案。
讨论与结论

综上所述,ADC通过靶点选择、连接子优化和有效载荷设计的不断发展,拓展了乳腺癌的治疗格局。同时,越来越多的证据表明TME在形成治疗应答和耐药性方面发挥着重要作用,支持进一步评估联合治疗策略和新一代ADC的开发。
本综述存在一些局限性,作为叙述性综述,其不可避免地受到研究设计、患者群体、治疗线数和随访持续时间异质性的影响。此外,本文讨论的一些新兴主题,包括人工智能辅助ADC设计、数字孪生建模和TME导向的联合策略,主要由临床前研究结果、早期临床试验、回顾性分析或亚组研究支持,因此应谨慎解读。需要进一步的前瞻性和良好对照研究来验证这些发现,并更好地定义ADC在不同临床环境中的最佳整合。持续努力完善患者选择和理解耐药机制对于最大限度地提高基于ADC的治疗的临床益处至关重要。
展望未来,ADC开发的进展将取决于整合合理的药物设计、耐药知情治疗策略和高质量的临床证据,以在不同患者群体中实现一致且具有临床意义的治疗获益。
参考文献:
1.Lu N, Yan B, Li YQ, Wan JL. Evolving antibody-drug conjugates in breast cancer from precision delivery to tumor microenvironment reprogramming. J Hematol Oncol. 2026 Apr 27;19(1):38.
审批编号:CN-191313
有效期至:2027-08-24
本材料由阿斯利康提供,仅供医疗卫生专业人士参考,不用于推广目的。若涉及具体药物使用,请参考相关药物说明书,阿斯利康不建议您将产品超说明书使用。
编辑:Carp
审校:Carp
排版:Ivy
执行:Ocean
本平台旨在为医疗卫生专业人士传递更多医学信息。本平台发布的内容,不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议。如该等信息被用于了解医学信息以外的目的,本平台不承担相关责任。本平台对发布的内容,并不代表同意其描述和观点。若涉及版权问题,烦请权利人与我们联系,我们将尽快处理。
