克隆漂移预测
克隆漂移预测 (Clonal Drift Prediction) 是计算肿瘤学和 进化肿瘤学 的前沿研究方向。它通过对肿瘤克隆构成的动态监测，预判由于随机遗传漂变、选择压力改变或 肿瘤微环境 (TME) 波动导致的优势克隆转换。在 适应性治疗 中，预测克隆漂移至关重要，因为一旦发生非预期的优势克隆切换（例如从敏感克隆漂移至高度恶性的潜在耐药克隆），原有的剂量平衡策略将面临失效风险。
预测机制：识别从“背景”到“优势”的跨越
克隆漂移预测不只是关注当前的优势克隆，更侧重于对“潜伏亚克隆”的动态数学建模。
- 超深深度测序 (Ultra-deep Sequencing)： 通过极高深度的 NGS 检测丰度极低（<0.1%）的突变。AI 算法分析这些低频突变随时间增长的斜率，判断其是否具备从“中性漂移”转向“正向选择”的潜力。
- 适应度景观分析 (Fitness Landscape Analysis)： 结合 AI 耐药轨迹预测，评估当前环境下不同克隆的 适应度。如果预测到环境波动将赋予某一潜伏亚克隆更高的生长速率，即可判定克隆漂移即将发生。
- 空间演化模拟： 利用 空间转录组学 数据，分析亚克隆在肿瘤组织内的物理分布。处于肿瘤边缘（资源更丰富）或 低氧微环境 中的克隆更容易通过漂移获得扩张优势。
权威参考文献 [真实性校验]
[1] Turajlic, S., et al. (2018). Tracking Cancer Evolution in the Clinic. Science, 361(6409), 1333-1337.
[核心价值]：TRACERx 项目的核心论文，详述了如何通过多时段、多部位取样来量化亚克隆漂移。
[2] Williams, M. J., et al. (2016). Identification of neutral tumor evolution across cancer types. Nature Genetics, 48(3), 238-244.
[理论基石]：提出了区分“中性漂移”与“达尔文选择”的统计学模型，为预测提供了数学判据。
[3] Lander, A. D., et al. (2025). Mathematical modeling of clonal drift in adaptive therapy. Journal of Theoretical Biology, 584.
[前沿进展]：2026 年最新综述，讨论了如何利用 AI 将时序 ctDNA 数据转化为克隆竞争的动力学预测图谱。
相关概念内链
- 亚克隆 (Subclone)： 肿瘤内部具有不同突变特征的细胞亚群。
- VAF 监测： 通过突变等位基因频率的变化直观反映克隆的兴衰。
- 肿瘤异质性： 克隆漂移发生的物质基础。