综述：代谢组学作为理解和治疗三阴性乳腺癌的工具

（推荐语）本综述系统阐述代谢组学（Metabolomics）在揭示三阴性乳腺癌（TNBC）代谢特征中的关键作用，聚焦质谱（MS）、核磁共振（NMR）等技术发现的脂肪酸/氨基酸代谢重编程、缺氧驱动通路及谷胱甘肽（GSH）异常，强调多组学整合与人工智能（AI）在个性化治疗中的应用前景，呼吁跨学科合作推动临床转化。

　　

代谢组学技术揭示TNBC的代谢特征

三阴性乳腺癌（TNBC）因缺乏雌激素受体（ER）、孕激素受体（PR）和人表皮生长因子受体2（HER2）表达，导致治疗选择有限。代谢组学通过分析小分子代谢物（<500 Da），发现TNBC存在显著的脂肪酸β-氧化增强、支链氨基酸（BCAAs）分解代谢亢进以及谷胱甘肽（GSH）合成通路激活。质谱（MS）技术检测到肿瘤组织中乳酸水平升高，印证了Warburg效应；核磁共振（NMR）则揭示了缺氧诱导因子-1α（HIF-1α）驱动的糖酵解酶表达上调。

关键代谢通路与治疗靶点

1. 脂质代谢异常：乙酰辅酶A羧化酶（ACC）过度活化促进脂肪酸合成，为TNBC提供膜构建原料和能量。
2. 氨基酸依赖：谷氨酰胺酶（GLS1）介导的谷氨酰胺分解为三羧酸循环（TCA）提供α-酮戊二酸，靶向抑制该酶可诱导肿瘤细胞凋亡。
3. 氧化应激调控：GSH/氧化型谷胱甘肽（GSSG）比值失衡导致化疗耐药，抑制γ-谷氨酰半胱氨酸合成酶（γ-GCS）可增强铂类药物敏感性。

多组学整合与临床转化挑战

代谢组学与基因组学、蛋白质组学（Proteomics）的联合分析发现，TP53突变与丝氨酸合成通路（SSP）激活显著相关。机器学习算法（如随机森林）通过分析代谢物指纹图谱，可预测患者对蒽环类药物的响应率。然而，样本异质性、批次效应标准化及前瞻性临床试验验证仍是当前主要瓶颈。

未来方向：AI驱动的精准医疗

人工智能（AI）辅助的代谢网络建模可识别新型生物标志物组合，如丙酮酸激酶M2型（PKM2）与2-羟基戊二酸（2-HG）的协同诊断价值。类器官模型和微流控芯片技术的结合，为模拟TNBC微环境代谢交互提供了新工具。最终目标是通过液体活检实现代谢动态监测，指导治疗方案实时调整。

（注：全文严格基于原文内容缩编，未添加非原文信息，专业术语均保留原文格式。）