本文之前建立的多阶段模型有哪些
癌症源于体细胞序贯突变的观点在Armitage-Doll多阶段框架中被形式化，随后又被扩展为多阶段克隆扩增模型，后者纳入突变与增殖动态以重现年龄特异性发病模式[2]。这些动力学模型解释了癌症发病率为何随年龄急剧上升，并奠定了体细胞突变理论的基础，即累积的细胞分裂和突变积累驱动风险[4]。然而，同一传统留下了一个特定的空白：大多数模型聚焦于恶性转化或恶性转化与临床检出之间的停留时间，而非中间突变实际发生的时间[1]。较新的研究——包括个体水平的多阶段肿瘤生长模型以及对38种癌症类型的全基因组测序重建——提示肿瘤发生远比传统假设更早，但这些估计要么仅部分依据发病数据校准，要么仍然粗糙，有时跨越数十年[1]。
实际后果是，近年来发病率上升的早发性癌症无法被置于一个已解析的时间线上。这篇新论文的贡献在于，通过将可识别的动力学模型与特定出生队列和年龄的登记数据相结合，使中间转变变得可估计，而不是依赖于在人群环境中不可行的突变直接观察[1]。
用微分方程与卷积分离每种突变转变
作者扩展了其此前的MSCE-T模型，该模型在经典多阶段克隆扩增框架的基础上，将恶性转化至检出期间的肿瘤生长纳入其中，假设从正常干细胞到第一阶段突变细胞、第二阶段突变细胞和恶性细胞存在三个关键的突变转变[1]。为了分别对每个步骤进行时间推断，他们推导了三个常微分方程系统，每个系统追踪某一给定阶段不存在细胞的概率，然后利用概率分布函数的卷积来获得在下游事件条件下下游转变的边际时间[1]。参数由队列特异性和年龄特异性的癌症发病数据估计，该模型被证明具有可识别性，且对诊断时肿瘤大小假设的中等扰动具有稳健性[1]。他们还拟合了一个四突变版本，以检验假设的事件数量是否会改变结论；模型比较总体上支持更简单的三突变形式，且四突变结果在定性上是一致的[1]。
这一方法学选择之所以重要，是因为它将群体水平的发病率曲线转化为分阶段的时序估计，而无需中间突变数据。代价在于这些估计是模型推导的而非直接观测的，作者明确指出了这一局限[1]。
早发型与晚发型癌症在恶性转化阶段出现分化
在1945-1949年出生队列中，从第二阶段突变细胞最终转变为恶性肿瘤的估计平均年龄，早发性女性乳腺癌为39.5岁，而晚发性病例为52.9岁；结直肠癌中，女性为38.3岁对50.9岁，男性为37.8岁对47.8岁[1]。前两个转变阶段，即正常细胞转变为第一阶段突变细胞以及第一阶段突变细胞转变为第二阶段突变细胞，在早发性病例中仅略微提前，这意味着大约十年的差距集中在最后一步[1]。相比之下，对于甲状腺癌，无论分析使用的是50岁以下还是70岁以下的病例，估计的恶性转变年龄均在27岁左右，初始突变发生在幼儿期，而早发与晚发的主要差异出现在第二个转变阶段[1]。
作者给出的解释是，早发性乳腺癌和结直肠癌的进展速度更快，而非起始时间大幅提前，这与这些肿瘤具有独特突变谱和更强侵袭性行为的证据相一致[1]。这是基于模型对人群时间线作出的推断，而非对个体突变时间的测量，作者也未声称该模型能预测任何个体的癌症发生时间[1]。
较晚出生的队列显示晚期进展更快
比较1950—1954年、1965—1969年和1980—1984年出生的队列，首次突变估计年龄基本保持不变，而后续转变则提前。对于早发性女性结直肠癌，从最早到最晚队列，第二次转变从34.4岁降至31.5岁，恶性转变从38.3岁降至35.9岁[1]。女性乳腺癌的位移较小，恶性转变下降约一年至36.0岁，而首次突变在所有队列中始终与约13岁的初潮年龄一致[1]。甲状腺癌在男性中表现出最大的队列依赖性变化，恶性转变从1950—1954年队列的26.1岁降至1980—1984年队列的18.3岁，不过作者提醒，该模型对甲状腺癌发病数据的再现不如其他两种癌症精确[1]。
这些队列模式与早发性结直肠癌发病率研究中报告的出生队列现象一致[3]，并且具有直接的筛查意义：如果近期出生队列的恶性转化发生在35岁左右，那么以较早出生队列为基准设定的年龄阈值可能需要重新评估——这一逻辑已体现在将结直肠癌筛查推荐起始年龄更新为45岁的建议中[1]。
时间线估计的终点与其他解释的存续
这些估计依赖于模型结构和登记数据，而非观察到的中间突变，因此不能将其解读为精确的个体癌症发病时间[1]。作者还指出，分析适用于所有恶性病例，未区分分子或组织学亚型，尽管luminal A型乳腺癌和甲状腺乳头状腺癌等主要亚型很可能主导了这些估计[1]。另一条证据线索使突变积累与风险之间的简单等式变得复杂：将多阶段模型与干细胞分裂数据进行分析后发现，癌症发生率随细胞分裂变化的标度远低于年龄-发病率关系所预测的幂次，且干细胞增殖指数难以预测与辐射或吸烟相关的癌症风险[2]。关于背景突变过程的研究进一步表明，观察到的突变频率受情境依赖性突变性的影响，实验注释的驱动突变往往比中性突变具有更低的背景突变性，这意味着仅凭突变计数无法清晰地对应功能性驱动事件[5]。
基于登记数据的推断也存在已知局限。对死亡率数据估算发病率的验证表明，发病-死亡比方法在大多数部位表现良好，但在乳腺癌和前列腺癌中表现较差，尤其是在筛查项目导致发病率突然波动的地区[6]。此外，按突变特征对结直肠癌进行的流行病学分析发现，大多数生活方式和饮食因素在基因毒性大肠杆菌素特征SBS88中并无差异，仅有少数提示性关联，如SBS88阳性肿瘤中较高的BMI和较差的结直肠癌特异性生存[7]。这些发现共同表明，新的时间线估计最好被视为一个用于生成和检验关于哪些暴露作用于哪个阶段的假说的框架，而非已确立的病因学。
关于这些来源
本研究页面基于7项经同行评审的研究——发表于1999年至2026年间，其中4项发表于2024年或之后，合计被引用185次——这些研究是从通过质量筛选的13项研究中选出的最相关研究，而这13项研究又从超过5亿篇文献的数据库中检索到的84篇论文中筛选而来。
本文引用的文献
估计早发癌症与晚发癌症的癌变时间线及不同出生队列中的变化
将可识别的MSCE-T肿瘤动力学模型扩展为包含微分方程组和卷积，以从SEER登记数据估计乳腺癌、结直肠癌和甲状腺癌的中间突变转变年龄，发现生命早期即已启动，早发性乳腺癌和结直肠癌的恶性转变比晚发性大约早十年，并且较近期出生队列中晚期进展加速。
用于癌症风险估计与预测的随机模型
提供了基础性的多阶段癌变框架，表明癌症发生率与干细胞分裂次数的标度关系与年龄-发病率预测不一致，且干细胞增殖指数难以预测与辐射或吸烟相关的癌症风险。
早发性结直肠癌的增加：一种队列效应
利用长期国际癌症登记数据报告了早发性结直肠癌发病率的出生队列效应，支持了锚定论文所估计的队列依赖模式。
超高肿瘤突变负荷预测免疫治疗后完全缓解：从佩托悖论到可成药的癌症标志
分析人类和哺乳动物的癌症数据，表明肿瘤突变负荷在泛癌队列中随年龄增长而升高，并可预测免疫治疗反应，从而支持突变积累与癌症风险之间的关联，同时回应了佩托悖论。
发现癌症中的驱动突变：阐明背景突变过程的作用
表明背景突变过程和情境依赖性突变性塑造了观察到的突变频率，驱动突变往往比中性突变具有更低的背景突变性，从而限制了仅凭突变计数得出的推断。
从死亡率数据估算癌症发病率：一项基于人群癌症登记处的验证研究
验证了通过死亡率数据估算癌症发病率的发病率-死亡率比值法，发现该方法对大多数部位具有较好的可靠性，但在乳腺癌和前列腺癌方面表现较差，因为筛查会导致波动。
与基因毒性大肠杆菌素突变特征相关的结直肠癌风险和生存的流行病学因素
探讨了与结直肠癌风险和生存相关的流行病学因素与基因毒性大肠杆菌素突变特征SBS88的关系，发现大多数因素不因该特征而存在差异，但在SBS88阳性肿瘤中，较高的BMI与较差的结直肠癌特异性生存相关。