肿瘤耐药是导致化疗、靶向及免疫治疗失败的头号公敌，超过90%的癌症相关死亡与肿瘤耐药直接或间接相关。传统的耐药评估方法存在明显的滞后性，且体外模型、PDX模型等现有技术手段在模拟体内复杂动态微环境、缩短决策周期及整合多维度数据方面存在固有局限。如何在海量的基因组、转录组、蛋白组及临床数据中，精准、及时地捕捉耐药信号，是当前精准医学面临的重大挑战！

近日，上海交通大学医学院临床药学院林厚文/顾智淳团队在国际期刊《Current Molecular Pharmacology》上发表题为“Oncology drug resistance prediction tools: Database infrastructure, algorithmic innovation, and clinical translation”的综述论文。系统阐述了人工智能（AI）技术如何整合多组学数据与大规模肿瘤数据库，从而革新肿瘤耐药预测的工具与方法，并深入探讨了从基础研究向临床实践转化的关键路径与未来方向。

文章首先全面介绍了支撑AI预测模型的数据基础设施，包括TCGA、GDSC等多组学整合数据库，DRMref、CancerDR等耐药机制专库，以及OncoKB等临床注释知识库，强调标准化数据是模型开发的基石。在此基础上，创新性地提出了一套完整的“数据-算法-验证”技术路径：从解决数据缺失、高维度问题的预处理流程，到利用注意力机制与知识图谱实现多模态数据融合的深度学习策略，显著提升了预测的精准性。

针对深度学习模型“黑箱”引发的临床信任危机，文章特别呼吁发展可解释性人工智能，使预测结果具备生物学与临床逻辑。同时，液体活检（ctDNA）与AI的结合，为实现治疗过程中耐药演变的动态实时监测提供了可行方案。

在癌症相关血栓方面，文章特别指出未来模型应聚焦于特殊高危人群，通过整合其特有的凝血相关基因特征与血小板活化标志物，开发高度场景化的预测工具，指导抗肿瘤与抗凝治疗的联合策略。这一观点与中国抗凝药师联盟长期致力于抗凝与肿瘤交叉领域的研究方向高度契合。

原文链接：https://doi.org/10.1016/j.cmp.2026.04.001

引用格式：Wang J, Zhu HR, Xu J, et al. Oncology drug resistance prediction tools: Database infrastructure, algorithmic innovation, and clinical translation. Curr Mol Pharmacol. 2026;doi.org/10.1016/j.cmp.2026.04.001.

供稿：王佳、顾智淳