编辑推荐：
该综述聚焦子宫内膜容受性（ER）与胚胎着床机制，探讨转录组学、蛋白质组学、代谢组学等多组学技术的应用，解析关键基因（如 LIF、HOXA10）、非编码 RNA（如 lncRNA H19）及代谢通路（如花生四烯酸途径），并展望单细胞技术与 AI 模型的临床转化前景。
1. 引言
子宫内膜容受性（ER）是胚胎着床成功的关键，其「着床窗」（WOI）仅持续约 4 天，伴随蜕膜化等复杂过程。临床现有检测手段（如超声、组织活检）多为形态学评估，存在有创、无法动态监测分子变化等局限。多组学技术通过高通量分析生物分子，为解析 ER 分子机制提供了新视角，有望提升辅助生殖成功率。
2. 子宫内膜容受性的定义与影响因素
ER 指子宫内膜接受胚胎的能力，异常可导致不孕、反复种植失败（RIF）、复发性流产（RSA）等。WOI 期子宫内膜经历分子、细胞和结构重塑，依赖激素（如雌激素、孕激素）、细胞因子（如 LIF）和生长因子的协同作用。胚胎着床分为定位、黏附、侵入三阶段，涉及整合素 αVβ3 等黏附分子及调节性 T 细胞介导的免疫耐受。
不同物种的着床机制存在差异：人类着床发生在受精后 5-7 天，胎盘为血绒毛膜型，依赖整合素 αVβ3、LIF 等分子；啮齿类着床较早（4.5 天），依赖转录因子 Gata6；反刍动物着床较晚（15-20 天），胎盘为上皮绒毛膜型，依赖干扰素 τ（IFN-τ）维持黄体功能。
影响 ER 的因素包括生理因素（如年龄、肥胖、多囊卵巢综合征
）和病理因素（如宫腔粘连、子宫内膜息肉、子宫腺肌病）。人类 ER 异常多与病理因素相关，而动物更依赖生理适应。3. 多组学技术在子宫内膜容受性中的研究进展
3.1 转录组学分析
转录组学涵盖编码 RNA 和非编码 RNA（如 lncRNA、miRNA）。编码 RNA 研究中，子宫内膜容受性阵列（ERA）通过检测 238 个基因（如 LIF、HOXA10、ITGB3）评估 ER 状态，但其未纳入非编码 RNA，可能遗漏表观调控机制。非编码 RNA 如 miR-21 通过抑制 PTEN/AKT 通路促进间质细胞蜕膜化，lncRNA H19 通过吸附 miR-let-7 调节 ITGB3 表达，影响胚胎黏附。
联合分析编码与非编码 RNA 可构建竞争性内源 RNA（ceRNA）网络。例如，lncRNA H19 通过吸附 miR-let-7 间接上调 ITGB3，促进黏附；加权基因共表达网络（WGCNA）分析发现，整合素 β3（ITGB3）与 lncRNA NEAT1 共表达模块富集于容受期子宫内膜，协同调控黏附与免疫耐受。机器学习模型（如随机森林）整合 HOXA10 与 HOTAIR 等分子，预测 ER 的 AUC 值达 0.92，优于单一组学模型。
转录组学还应用于子宫腺肌病和子宫肌瘤研究。腺肌病中，LGR5+上皮干细胞和 PKIB+间充质细胞亚群可能驱动疾病进展，STEAP1 和 TOMM20 等基因可作为潜在诊断标志物；子宫肌瘤中，炎症因子（TNF-α、IL-6）和 VEGF 异常表达影响子宫内膜微环境，抑制胚胎黏附相关分子。
3.2 单细胞测序与空间转录组学
传统转录组学分析基于组织整体 RNA，掩盖了细胞异质性。单细胞测序揭示了子宫内膜不同细胞类型的基因表达图谱，如雌激素受体 ESR1 和孕激素受体 PGR 在薄型子宫内膜（TE）和 PCOS 患者中表达下调，导致激素信号异常；细胞外基质基因（COL1A1、COL3A1）表达降低影响子宫内膜机械支持功能。空间转录组学结合单细胞技术，可动态监测基因表达的时空模式，如构建 ESR1+SPP1+COL4A2 多基因模型预测 ER。
3.3 蛋白质组学分析
蛋白质组学通过分析蛋白质表达与修饰揭示 ER 机制。早期研究通过二维凝胶电泳发现，分泌期子宫内膜中能量代谢相关蛋白（如肌酸激酶 CKB、异柠檬酸脱氢酶 IDH）高表达，可作为 WOI 标志物。液相色谱 - 质谱（LC-MS）结合 iTRAQ 技术鉴定出 ACSL4 等差异蛋白，与 RIF 相关；子宫内膜液中高迁移率族蛋白 B1（HMGB1）在容受期下调，可能影响胚胎着床。2025 年研究结合空间转录组与成像质谱，绘制了着床窗期蛋白质互作网络，发现 lncRNA H19 与 ITGB3 的空间共定位协同促进黏附。
3.4 代谢组学分析
代谢组学聚焦小分子代谢物，如花生四烯酸代谢通路在分泌期激活，其产物前列腺素 E2 调节免疫微环境；RIF 患者子宫内膜中亚油酸和鞘脂代谢物下调，提示脂质重塑异常。代谢组学技术（如 LC-MS、NMR）可检测子宫内膜、子宫液中的代谢物特征，为非侵入性 ER 评估提供依据。
4. 结论与展望
多组学技术从基因、蛋白、代谢物等多维度解析 ER，发现了 LIF、HOXA10、ITGB3 等关键分子及 ceRNA 网络、能量代谢通路等调控机制，并通过机器学习模型提升了预测准确性（AUC>0.9）。然而，技术标准化、数据整合、临床验证仍是挑战。未来，单细胞分辨率技术、AI 驱动模型及跨物种验证将推动基础研究向临床转化，实现不孕诊疗的个性化与精准化。
