综述：转移后肿瘤微环境的多组学分析：推动个性化免疫治疗与分子靶向策略的进展

本综述系统探讨了多组学技术（基因组学、转录组学、表观基因组学、蛋白质组学、代谢组学）在解析转移性肿瘤微环境（TME）中的应用，揭示了驱动肿瘤转移和免疫逃逸的关键分子特征（如TP53突变、PD-L1/CTLA-4表达、代谢重编程），并强调了多组学整合对开发个性化免疫治疗（如ICIs）和靶向策略（如MAPK/PI3K抑制剂）的指导价值，为晚期癌症精准治疗提供新范式。

　　

1 Introduction

肿瘤转移是癌症相关死亡的主要原因，占癌症死亡率的90%以上。转移性肿瘤微环境（TME）由肿瘤细胞、免疫细胞、成纤维细胞、血管系统及细胞外基质组成，形成支持肿瘤生存和免疫逃逸的复杂生态系统。传统单组学方法难以捕捉转移性TME的多维相互作用，而多组学技术（基因组学、转录组学、表观基因组学、蛋白质组学、代谢组学）提供了系统级理解，揭示分子重编程、细胞间通讯和免疫动态，为免疫治疗和靶向策略开发提供科学基础。

2 Multi-omics profiling of the tumor microenvironment after metastasis

2.1 Insights from genomics and transcriptomics

基因组研究通过全基因组测序（WGS）和靶向测序识别转移过程中的关键突变（如TP53、KRAS、PIK3CA）和拷贝数变异（CNVs），这些改变促进细胞周期失调、DNA修复缺陷和信号通路（如MAPK/ERK、PI3K/Akt）异常激活，加速肿瘤侵袭和转移。转录组学（RNA-seq）显示转移性肿瘤中免疫调节通路（如PD-L1、CTLA-4上调）、血管生成（VEGFA/VEGFC高表达）和细胞外基质（ECM）重塑（如MMP2/9/14、胶原蛋白）相关基因动态变化，支持免疫抑制和肿瘤迁移。单细胞RNA测序（scRNA-seq）揭示TME异质性，如调节性T细胞（Tregs）和M2巨噬细胞富集，通过释放IL-10、TGF-β等细胞因子促进免疫逃逸和血管生成。肿瘤细胞显示上皮-间质转化（EMT）和耐药性相关转录重编程，scRNA-seq还助于追踪癌症干细胞样细胞和持久细胞亚群，结合调控网络分析（如NF-κB、STAT3通路）为精准医疗提供基础。

2.2 Epigenomic and proteomic characteristics

表观基因组学涉及DNA甲基化、组蛋白修饰和染色质重塑，动态调控基因活性而不改变DNA序列。促转移基因（如MMPs、EMT相关基因）启动子低甲基化导致过表达，而肿瘤抑制基因（如CDH1）高甲基化沉默，削弱细胞黏附并促进EMT。组蛋白修饰（如H3K27me3）介导基因沉默，染色质重塑复合物影响基因可及性。表观调控还影响免疫检查点（如PD-L1）表达，支持免疫逃逸和治疗抵抗。蛋白质组学揭示蛋白质表达和翻译后修饰（PTMs），如磷酸化（MAPK/ERK、PI3K/Akt通路）、泛素化和糖基化，调控蛋白质功能、信号交叉和免疫细胞互作（如TGF-β、IL-10受体）。空间蛋白质学技术提供高分辨率蛋白定位信息，关联免疫浸润和治疗反应，为个性化免疫治疗提供分子依据。

2.3 Metabolomic features

代谢组学显示转移性TME中显著代谢重编程。肿瘤细胞呈现Warburg效应，即优先使用糖酵解产生大量乳酸，酸化微环境并抑制效应免疫细胞（如细胞毒性T淋巴细胞、NK细胞），同时促进Tregs和肿瘤相关巨噬细胞（TAMs）极化，建立免疫“冷”环境。乳酸还诱导血管生成，支持转移灶血供。脂代谢重编程（如脂肪酸合成和氧化）提供能量和膜组件，调节信号通路和EMT，并通过脂介质信号促进免疫抑制。氨基酸代谢变化（如谷氨酰胺摄取增强）支持抗氧化和生物合成，色氨酸代谢通过IDO通路促进免疫耐受。代谢竞争耗竭营养素（如葡萄糖、氨基酸），损害淋巴细胞功能并限制免疫检查点抑制剂（ICIs）疗效。靶向代谢酶（如LDH抑制剂）联合免疫治疗在临床前模型中显示增强效果。质谱成像（MSI）和单细胞代谢分析技术进步助力空间代谢异质性研究，支持精准干预策略开发。

3 Implications for molecular targeting and immunotherapy

3.1 Optimizing molecular targeting models

多组学数据整合系统捕捉肿瘤异质性，通过识别关键突变（如激酶基因）、表观遗传异常和信号网络，指导靶向激酶抑制剂和表观酶抑制剂开发。网络分析模拟肿瘤细胞、免疫细胞和基质细胞间信号转导（如PD-1/PD-L1上调机制），代谢组学数据揭示代谢酶靶点。机器学习和人工智能助力多组学特征预测模型构建，实现个性化药物组合推荐和耐药机制解析，推动精准治疗。

3.2 Enhancing the efficacy of immunotherapy

多组学技术促进免疫相关生物标志物识别，如肿瘤新抗原、免疫检查点基因调控和T细胞功能状态（如耗竭T细胞表达PD-1、LAG-3、TIM-3）。蛋白质组验证表面分子表达，代谢组显示代谢物（如乳酸、腺苷）抑制T细胞活性。多组学揭示免疫治疗抵抗机制，如B2M突变导致抗原呈递缺失，表观改变下调免疫检查点，支持联合治疗设计（如免疫刺激剂、表观调节剂或代谢干预）。基于肿瘤突变负荷（TMB）、免疫细胞浸润和代谢状态的分层模型预测ICI反应，免疫代谢交叉研究为免疫代谢联合疗法（如代谢酶抑制剂联合ICIs）提供基础。

4 Progress of existing clinical research

临床研究整合多组学数据分层患者、预测反应和识别生物标志物。TMB和基因表达谱用作ICI疗效预测标志物（如KEYNOTE-158、CheckMate-227试验）。基因组改变指导靶向治疗（如EGFR突变、HER2扩增）。蛋白质组和代谢组分析揭示耐药机制，ctDNA联合蛋白质标志物实现实时监测肿瘤进化。数据标准化、成本和临床验证仍是转化挑战。

5 Translational potential and clinical applications

多组学数据库（如TCGA、CPTAC）提供分子异质性和靶点资源。临床试验基于TMB、免疫基因谱或代谢标志物选择患者，提高疗效并减少副作用。数据标准化、临床解释复杂性和验证不足是主要挑战。AI和ML助力数据挖掘，多中心验证确保标志物敏感性、特异性和预测准确性。体外功能实验、PDX模型和临床队列分析验证候选分子作用。伦理和隐私问题需通过严格数据管理解决。跨学科合作和监管框架推动精准肿瘤学发展。

6 Conclusion and future perspectives

多组学技术重塑对转移性TME的理解，整合分子和免疫调控网络推动精准治疗。未来需开发高效数据整合工具（如AI），加强多中心临床验证，促进跨机构合作和数据共享，并关注伦理安全。多组学将在癌症免疫治疗和靶向治疗中发挥核心作用，开启更精确、有效和个性化的癌症治疗新时代。