今天这篇有点意思，是一篇 STTT 上的大综述，来自 Lund 大学 Kazi 团队（还拉了 Johns Hopkins 的 Kenneth Pienta）。题目就点明了它的立场：靶向肿瘤干细胞（CSC）这件事，机制层面的"insights"积累了不少，但临床上的"challenges"一个没少。 它不吹不黑，从头到尾把"CSC 为什么这么难打"拆了一遍。

一句话亮点：CSC 靶向不是没靶点，而是卡在三件事上——怎么定义"动态状态"、怎么测对"临床终点"、怎么设计"理性联合"。

背景：一个几十年的老概念，为什么还停在纸面上

肿瘤干细胞（CSC）这个概念不新，最早从血液肿瘤的移植实验里冒出来，后来推到实体瘤。核心定义就三条：自我更新、多向分化、成瘤能力。理论上，只要把这群"种子细胞"干掉，肿瘤就会失去持续生长和复发的源头——听着很诱人。

但现实是，几十年来，真正把 CSC 靶向做成常规临床手段的，几乎没有。这篇综述要回答的正是这个 gap：机制研究这么热闹，转化为什么卡住了？

@方法论点评：这篇综述的立意本身就是一种方法论示范——当某个方向"理论很顺、落地很慢"时，最高效的做法不是再补一个机制，而是系统复盘"卡点到底在哪"。它是"问题驱动"而不是"文献堆砌"。

第一步：先把地基讲清楚——“分层模型"还是"可塑性模型”？

作者一上来先不急着列通路，而是花大力气厘清 CSC 到底是什么。这里有两派：

  • 分层模型（hierarchical）：肿瘤是个等级社会，顶端是一小撮稀有的、自我更新的 CSC，往下单向分化成普通肿瘤细胞。证据来自 AML 里只有 CD34⁺CD38⁻ 细胞能连续移植成瘤，乳腺癌里 CD44⁺CD24⁻/low 细胞成瘤能力远超其他。
  • 可塑性模型（plasticity）：干细胞性是可逆的状态，不是固定的谱系属性。分化了的肿瘤细胞在 EMT、表观重塑、缺氧、炎症、细胞毒性治疗、niche 被破坏等刺激下，可以"去分化"重新变回 stem-like 状态。

那么问题来了：到底哪个对？作者的答案是——不是二选一，而是互补。而且他特别点了一个关键细节：去分化是**“条件性、应激驱动"的适应性反应**，不是默认机制。在不受打扰的肿瘤里，长期生长更偏向已有的干/祖细胞群；但一旦组织被破坏（放疗、化疗、缺氧、移植应激），可塑性就显现出来了。

@方法论点评：这个区分极其重要。如果 CSC 是固定谱系，那"杀干净就行”；如果是可逆状态，那你杀一批，旁边普通的肿瘤细胞随时能补位。它直接决定了"靶向 CSC"这件事在逻辑上到底成不成立——这也是为什么后面临床那么难。

第二步：怎么"认出"CSC？——没有一个万能 marker

要打 CSC，先得找到它。作者把现有的识别手段分了三层，态度很克制：

  1. 金标准：原位极限稀释移植 + 连续传代，直接证明"长期成瘤 + 自我更新"能力。
  2. 功能富集：ALDEFLUOR 测 ALDH 活性、Hoechst 染料外排的 side population（反映 ABC 转运体）、WNT/Notch/Hh 报告基因、sphere 成球实验。
  3. 表面 marker：乳腺癌 CD44⁺CD24⁻/low、胰腺癌 CD44⁺CD24⁺EpCAM⁺、肝癌 CD45⁻CD90⁺、胶质瘤/肠癌 CD133⁺……

然后作者泼了盆冷水：这些 marker 没有一个是普适的，而且都有反例。 CD133 在正常结肠上皮里广泛表达，在转移性肠癌里 EpCAM⁺CD133⁺ 和 EpCAM⁺CD133⁻ 两个亚群都能连续成瘤；CD44 在正常和癌变的结肠上皮里也到处都是。所以 marker 只是"肿瘤/实验情境依赖的富集工具"，必须配上 isoform、表达阈值和功能验证一起报，才勉强靠谱。

@方法论点评：这是"相关 ≠ 身份"的老问题在 CSC 领域的集中爆发。一个 marker 阳性，只能说明"这个细胞像 CSC"，不能证明"它就是 CSC"。文章反复强调要"功能验证兜底"，背后的科研思维是——别被表面标签骗了，要回到"能不能成瘤"这个定义性的功能上去。

第三步：新技术怎么把 CSC 从"静态标签"变成"动态状态"？

既然 marker 不靠谱，那新工具能补上什么？作者梳理了四大件，逻辑很顺：

  • 单细胞转录组（scRNA-seq）：把 CSC 从"一个固定亚群"变成"连续状态谱"，用 pseudotime / RNA velocity 看细胞在 stem-like 和分化态之间来回穿梭。多组学（CITE-seq、RNA+染色质）还能看到"表观层面已经 priming、转录层面还没变"的中间态。
  • 空间组学（Visium / Slide-seq / MERFISH / CODEX 等）：把问题从"哪些细胞是 stem-like"升级成"哪些细胞、在哪儿、受什么 niche 约束"。比如肠道干细胞的短程 WNT 梯度，给"肿瘤如何劫持同类梯度维持 CSC"提供了模板。
  • 谱系追踪 / 克隆条形码（lineage tracing / barcoding）：这是因果验证的利器——直接回答"到底谁在长期驱动肿瘤生长、谁在治疗后复播"。胶质母细胞瘤里，一个受限的细胞群能在化疗后重新长出肿瘤；AML 里，化疗会富集有再生能力的白血病克隆。
  • 类器官（PDO）+ AI/ML：类器官做"状态发现 → 功能测试"的桥；机器学习（scVI、图神经网络、CytoTRACE 等）把 stemness 变成可计算的分数。

@方法论点评：这一整套技术栈，本质是把 CSC 研究从"富集 + 相关性"推进到"状态解析 + 因果验证"。尤其是 lineage tracing，是回答"CSC 到底是不是复发种子"这个核心命题的黄金标准——没有它，很多 CSC 结论都只是"看着像"。

第四步：哪些通路在维持 CSC？——发育、应激、生长因子三层

作者把维持 CSC 的信号网络分成三层，这是全文的"知识底盘"：

  • 发育通路：WNT/β-catenin、Notch、Hedgehog、Hippo/YAP-TAZ（Fig. 2）。这些是胚胎发育里管命运抉择的老通路，肿瘤里被重新激活后，就管起了自我更新和不对称分裂。
  • 微环境/应激通路：NF-κB、缺氧/HIF、铁死亡防御（xCT/GPX4、SCD1、FSP1/CoQ、DHODH、GCH1/BH4）、自噬/线粒体自噬（Fig. 3）。
  • 生长因子/细胞因子：TGF-β、RTK 家族（EGFR、AXL、MET、PDGFR、IGF-1R、FLT3、KIT）（Fig. 4）。

Fig. 1：CSC 的特征与耐药角色——自我更新、成瘤、EMT 侵袭、免疫逃逸、休眠，共同构成一个难杀的"种子库"

Fig. 2：维持 CSC 的四大发育通路——WNT/β-catenin、Notch、Hedgehog、Hippo/YAP-TAZ 的信号骨架

@方法论点评：作者在这一层反复强调一个词——冗余/代偿。WNT 和 Hippo 交叉、Notch 和炎症交叉、RTK 和 m6A 表观转录组交叉。这看似是细节，其实是埋了条暗线：正因为通路互为备份，单打一个节点，CSC 会绕道。 这个判断直接预示了后面临床失败的根源。

Fig. 3：微环境与应激通路——缺氧/HIF、NF-κB、铁死亡防御、自噬，支撑 CSC 在压力下存活

第五步：CSC 到底怎么耐药的？（全文最实用的一块）

这是跟耐药主线咬得最紧的部分。作者把 CSC 的耐药机制列了个"多层叠加"的清单：

  • 内在遗传/表观：mutant p53、DNA/组蛋白甲基化、染色质重塑（Fig. 5）。
  • 增强的 DNA 修复：ATM/ATR/CHK1/CHK2、PARP-1/BRCA1，让 CSC 比普通细胞更能扛 DNA 损伤。
  • 低 ROS + 抗氧化：Nrf2、Prx2、FoxM1，把基础 ROS 压得低低的，天然抗放疗。
  • ALDH 解毒 + ABC 外排泵：MDR1/ABCB1、BCRP/ABCG2、MRP1/ABCC1 把药往外泵。
  • EMT + marker：Snail 诱导 AXL、CD44v 等，把耐药和侵袭绑在一起。
  • 休眠/慢周期：进 G0 期躲开所有抗增殖药，等风头过去再醒过来复播。
  • niche 介导：缺氧、ECM 硬度→YAP/TAZ、外泌体、CAF、TAM、MDSC 一起把 CSC 包在"保护罩"里（Fig. 6）。

最后所有信号汇聚到 Notch/WNT/Hh + ABC 转运体 + PI3K/Akt/mTOR 这张网上（Fig. 7）。

Fig. 6：CSC niche 与微环境的交叉对话——缺氧、ECM、外泌体、CAF/TAM/MDSC 共同构建耐药的"保护生态"

Fig. 7：CSC 耐药的信号汇聚——化疗/放疗/靶向 + 微环境信号，汇入同一张维持干性与适应生存的网络

@方法论点评：这里最值钱的洞察是——CSC 耐药不是"某一个机制"，而是"多层机制互为备份"。增强的 DNA 修复管一条线、外排泵管另一条、休眠再管一条。这也解释了为什么单靶点的 CSC 药在临床上很难赢：你堵住一个，别的还在。

第六步：临床复盘——为什么都失败了？（最扎心的部分）

作者花了两张表（Table 1 是各癌种 marker，Table 2 是临床试验盘点）来复盘临床。Table 2 里躺着长长一串名字：ipafricept（WNT 诱饵）、napabucasin（STAT3）、CART-133、ICT-121（CD133 树突状疫苗）、disulfiram+Cu（ALDH）、vismodegib（Hh）、metformin、doxycycline、defactinib、reparixin、MK0752、IPI-926、imetelstat……结论高度一致：要么阴性，要么混合，要么只有"信号"没有"确证"。

作者把失败原因归纳成三条，每条都戳在痛处：

  1. 没有 CSC 专属终点：大部分试验只测 PFS/OS/ORR，根本没测"CSC 到底有没有被清掉"。药可能真打了 CSC，但试验设计测不出来。
  2. 没有 biomarker 分层：napabucasin 这种"泛 stemness"药，不筛选病人就上，结果在大样本里稀释到看不见。
  3. 毒性 + 通路冗余：γ-secretase 抑制剂（Notch）胃肠道毒性大；Hh 抑制剂单用效果有限还容易耐药。

@方法论点评：这里有个转化医学最常见的坑——“没测对终点"和"没选对病人"会把一个本来有效的药判成无效。反过来，作者也提醒：有些"有效"的结果未必跟 CSC 有关，比如 vismodegib 在 desmoid 肿瘤里有效，但 desmoid 根本不是经典的 CSC 驱动肿瘤。“通路被抑制"和"CSC 被清除"是两件事，不能混为一谈。

第七步：未来怎么破？——三步 + 一个关键区分

作者给未来开的方子，核心是三个联动步骤：

  1. biomarker 引导的病人选择——而且要做个关键区分：表面 marker（CD44/CD133/EpCAM/LGR5）只告诉你"像不像 CSC”，功能状态 biomarker（ALDH 活性、ROS tone、OXPHOS/脂肪酸氧化、线粒体自噬状态、EMT/休眠的单细胞或空间签名）才告诉你"现在脆不脆弱”。
  2. CSC-aware 的试验终点——用液体活检、ctDNA、CTC、连续采样去追踪 CSC 负担的变化，而不是干等影像学进展。
  3. 理性联合——通路抑制剂 + 免疫检查点 + 抗血管/微环境调节，机制上互补，再配上药效学读数验证。

外加一条实操提醒：药物递送（纳米颗粒、瘤内给药）来解决"药到不了 CSC 富集的 niche"这个老问题。

@方法论点评：作者把"表面 marker"和"功能状态 biomarker"分开，是全文最有转化价值的一个框架。表面 marker 是静态的"身份标签"，功能状态是动态的"脆弱性读数"。这个区分可以原样迁移到耐药/DTP 研究里——不只看细胞"像不像持久细胞"，要看它"当前处于哪个代谢/氧化还原状态"。

一句话总结

CSC 靶向的困境不在"没有靶点"，而在三件事：定义动态状态（分层 vs 可塑）、测对终点（CSC 负担而不是只看影像）、设计联合（绕过通路冗余）。机制研究已经足够丰富，缺的是把"机制"翻译成"可测量的临床结论"的那一步。

对耐药 / DTP / PGCC 的启示

这篇跟你关注的主线高度相关，几乎是"CSC = 耐药源头"的教科书式串讲：

  • 休眠/慢周期 CSC ≈ DTP 的核心特征：进 G0 期躲开抗增殖药、再醒过来复播，这正是药物耐受持久细胞（DTP）的定义性行为。作者明确把"drug-tolerant persister"归入 CSC 范畴，并点名 GPX4 依赖的铁死亡防御是 persister 的软肋——GPX4 抑制能清除 persister、降低体内复发。这对 DTP 研究是直接可用的抓手。
  • 代谢可塑性 = 耐药重编程：CSC 在 glycolysis↔OXPHOS↔脂肪酸氧化之间来回切，这跟 DTP/PGCC 的代谢重编程（尤其 PGCC 高线粒体、高 OXPHOS）一脉相承，值得对照着看。
  • EMT/可塑性 = 非遗传耐药：不靠新突变，靠细胞转个状态就耐药了。这是 PGCC 的"可塑性"主线的同款逻辑。
  • niche 介导的耐药提醒：很多 CSC 耐药机制只在微环境里显现（CAF、TAM、缺氧、外泌体），只在培养皿里找会漏掉。这一点跟你在 GENEVA 那篇里看到的"EMT 只在体内显现"是同一个教训。
  • “功能状态 biomarker"框架可直接迁移：研究 DTP/PGCC 时，别只看表面 marker，要看 ALDH 活性、ROS tone、OXPHOS/线粒体状态这类"当前脆弱性"读数。

局限

  • 这是一篇综述，无新数据；本质是机制与临床失败的盘点，而非新的因果发现。
  • 部分临床结论基于小样本、单臂研究，属于"假设生成"而非定论（作者自己也反复用"hypothesis-generating"“interpreted cautiously"这种措辞）。
  • CSC 与 DTP/PGCC 的概念边界作者没有展开厘清，dormancy、persister、PGCC 这几个词在不同段落混着用，读的时候需要自己留个心眼。
  • 致谢里作者声明用了 AI 工具（ChatGPT、Claude、Copilot）辅助写作——不是硬伤，但提示这是一篇"AI 辅助的综述”，信息密度高、需要自行核对关键引用。

来源：Ahmed M, Al-Haidari A, Agarwal S, Sun J, Hammarlund EU, Rönnstrand L, Pienta KJ, Tatli Ö, Kazi JU. Translational insights and clinical challenges of targeting cancer stem cells. Signal Transduction and Targeted Therapy (STTT), 2026, 11:323. DOI: 10.1038/s41392-026-02887-y