联合治疗对布加替尼brigatinib和艾乐替尼作用机制的影响

　　根据目前的知识和本文提供的数据，与艾乐替尼相比，布加替尼（brigatinib）可能更容易与其他药物发生相关的代谢和机械相互作用，这可能是多治疗患者的更安全选择。在癌症患者中使用一种以上的药物（例如，用于治疗癌症或治疗衍生的并发症，或预先存在的疾病）是常见的，并且多种药物（5 种或更多的伴随药物）已被证明在癌症中以更高的频率发生幸存者比非癌症年龄和性别匹配的对照组。多种药物在老年人或临终环境中尤为常见。因此，在考虑不同的治疗方案时，必须仔细考虑药物相互作用。然而，由于与其他癌症患者相比，NSCLC 腺癌患者往往更年轻且往往是非吸烟者，因此多药治疗导致的潜在药物干扰可能不代表临床实践中治疗选择的决定性因素。

　　如前所述，ALKi 活性受多种因素影响，包括肿瘤内在特征（例如，ALK 融合基因变异或存在其他主要基因共突变）和外在因素（例如，先前治疗的影响，例如存在 ALK 二次突变, 或旁路阻力的发展), 以及药物依赖性特征 (例如, 血脑屏障交叉)。目前的研究旨在探索布加替尼和艾乐替尼之间的机制差异，这些差异可能会影响两种药物在计算机上的疗效。然而，除了疗效数据外，药物毒性特征是治疗选择的重要决定因素。根据以前的出版物，我们认为尽管所有 ALKi 都存在常见和特定的不良事件，但艾乐替尼和布加替尼的耐受性同样良好，可以通过减少剂量或中断治疗来控制。

　　为了更好地对机制分析提出的假设进行背景化，需要考虑并在本文中讨论过其他参数（ALK 二次突变、安全问题），并且必须在临床实践中加以考虑。此外，计算机建模方法可用作预测工具和假设生成器，受疾病和药物信息的限制。例如，未知靶点或尚未描述的病理生理过程可能在评估药物的作用机制中起作用。尽管如此，这些模型是通过考虑整个人类蛋白质网络和广泛的药物-病理学关系来构建的，不仅限于非小细胞肺癌或肿瘤适应症，在人工神经网络模型的情况下，它们的交叉验证准确率在 80% 以上，在基于抽样方法的模型中，交叉验证准确率在 90% 以上。

　　因此，即使基于系统生物学的建模方法受到可用信息量的限制并且必须做出一些假设，计算机技术仍有助于理解癌症的基本过程。这些方法使我们能够以降低的实验成本和在不同的环境中探索研究或上市药物。如果临床研究不会很快完成或实施起来很复杂，这被证明尤其重要，例如在一线环境中进行的 布加替尼与 艾乐替尼头对头研究的情况。

　　同样，与其他第二代和第三代 ALKi 进行比较，这些 ALKi 最近在一线环境中显示出克唑替尼的益处（eXalt3 中的恩沙替尼，或 CROWN 中的劳拉替尼，可以进一步深入了解 ALK+NSCLC 治疗背后的机制。因此，系统生物学和人工智能方法有助于探索未解决的问题，这可能会指导 ALK TKI 的开发和确定 ALK+ NSCLC 患者的最佳治疗顺序。进一步的计算机研究旨在确定布加替尼后的最佳治疗顺序。更多详情可咨询下方微信。