综述：多组学技术在胃癌精准诊疗中的进展与应用

（编辑推荐）本综述系统阐述了多组学技术（radiomics/pathomics/genomics等）如何通过整合影像组学、分子分型和生物标志物（biomarkers）破解胃癌（GC）异质性难题，为早期诊断（5年生存率95%–99% vs 晚期仅7%）、靶向治疗及耐药机制研究提供新范式，推动精准医学发展。

　　

概述
胃癌（GC）作为全球高发恶性肿瘤，其临床与分子层面的高度异质性长期制约诊疗效果。根据Lauren分类，GC可分为肠型（与环境因素相关）、弥漫型（低分化）和混合型，其中肠型在高发区占比更高。值得注意的是，早期GC患者5年生存率可达95^%–99^%，而晚期病例骤降至7^%，凸显早诊早治的迫切性。

诊疗现状
当前GC诊疗面临严峻挑战：局部进展期患者5年生存率仅35^%，中国数据更为严峻（晚期<10^%）。内镜和影像学技术虽提升早期检出率，但分子靶向治疗仍受限于肿瘤异质性和耐药性。例如，HER2靶向药仅对10^%–20^%患者有效，免疫治疗应答率不足20^%。

单组学突破
各单组学技术各展所长：

• 影像组学：通过AI提取CT/MRI定量特征，实现无创分型和预后预测（如预测腹膜转移AUC 0.89）
• 基因组学：揭示TP53/CDH1等驱动突变，建立TCGA分子分型（EBV/MSI/基因组稳定等亚型）
• 表观组学：发现甲基化标志物如CDH1启动子甲基化与弥漫型GC强相关

多组学整合
多组学通过三类整合策略突破单组学局限：

1. 早期整合：直接合并原始数据，适用于小样本研究
2. 中期整合：采用矩阵分解（如NMF）识别跨组学模块
3. 晚期整合：通过机器学习（如深度学习）融合独立分析结果

典型应用包括：

• 结合基因组+蛋白质组鉴定CLDN18-ARHGAP融合靶点
• 代谢组+微生物组揭示幽门螺杆菌相关代谢重编程

未来展望
多组学技术将加速GC分子分型细化、动态监测耐药演变（如ctDNA监测）及创新疗法开发（表观药物/双特异性抗体）。但数据标准化、算法优化及临床转化仍是待攻克的瓶颈。

术语解析

• 肿瘤异质性：指肿瘤内存在基因型/表型差异的细胞亚群
• 放射组学：从医学影像提取高通量特征进行量化分析