《Clinical and Translational Discovery》：Multi-omics integration driving precision medicine in non-small cell lung cancer: From molecular mechanisms to clinical translation
编辑推荐：
背景：非小细胞肺癌（NSCLC）的分子异质性和治疗耐药仍是重要的临床挑战。近年来，多组学技术的整合推动了NSCLC研究范式的转变，其从静态批量测序演变为动态演化追踪和高分辨率单细胞分析。
主体：本综述并非对测序技术的常规目录式罗列，而是通过以临床问题为导向的
背景：非小细胞肺癌（NSCLC）的分子异质性和治疗耐药仍是重要的临床挑战。近年来，多组学技术的整合推动了NSCLC研究范式的转变，其从静态批量测序演变为动态演化追踪和高分辨率单细胞分析。
主体：本综述并非对测序技术的常规目录式罗列，而是通过以临床问题为导向的框架系统阐述精准肿瘤学。研究人员强调单细胞和空间多组学在解码肿瘤免疫微环境（TIME）以及揭示导致治疗耐药的罕见侵袭性细胞亚群中的作用。此外，研究人员突出代谢组学——尤其是脂质代谢重编程——在理解酪氨酸激酶抑制剂（TKI）适应性耐药中的整合作用。研究人员还全面讨论当前精准医学实践，包括空间转录组学指导的抗体药物偶联物（ADC）开发、双靶点双特异性抗体的临床依据，以及用于实时纵向追踪的液体活检。至关重要的是，研究人员批判性评估当前转化鸿沟和可重复性危机，展示人工智能（AI）和先进生物信息学流程（例如多组学因子分析 v2（MOFA+）和最小绝对收缩和选择算子（LASSO））如何克服数据异质性，以提取稳健的预后特征。
结论：通过弥合高维数据与前瞻性临床验证之间的差距，整合多组学在推进NSCLC个性化管理和最终改善患者结局方面具有前所未有的前景。
1 引言
非小细胞肺癌（NSCLC）占肺癌85%以上，是癌症死亡首因，全球每年约180万死亡。预后差与约70%晚期诊断、分子异质性及获得性耐药相关，晚期5年生存率15%–20%。高通量测序成本下降推动多组学整合，实现从单基因到全基因组、静态分析到动态演化、群体到单细胞的三重转变。本综述以临床问题为导向，聚焦AI过滤高维数据并构建预后模型、空间组学解析ADC靶点异质性、评估转化鸿沟与可重复性/标准化瓶颈，并勾勒从组织/液体活检到多组学与AI整合（MOFA+、LASSO），再到复发监测、空间指导ADC和新抗原疫苗的路径。
2 重新定义NSCLC异质性：从批量分析到微环境解析
2.1 解析肿瘤免疫微环境
肿瘤微环境（TME）是动态生态系统。批量测序掩盖细胞互作，单细胞RNA测序（scRNA-seq）解析肿瘤免疫微环境（TIME）组成及功能状态。癌相关成纤维细胞（CAFs）和免疫抑制巨噬细胞促进免疫逃逸；肿瘤浸润淋巴细胞（TILs）耗竭及T细胞受体测序（TCR-seq）克隆特征预测疗效，肠-肺轴和菌群失调亦调节免疫。单细胞特征需与大规模批量RNA测序整合，通过去卷积映射至批量数据集，并用LASSO回归构建多基因风险评分，较TNM分期更精细。
2.2 空间多组学与肿瘤架构
空间转录组学将基因表达映射至组织切片，解析TME空间组织。TILs空间排列与侵袭转移相关；CAFs及M2巨噬细胞、髓源性抑制细胞（MDSCs）形成免疫“冷”龛。CAFs构建致密基质网络，既免疫抑制又形成物理穿透屏障，限制单抗和ADC等大分子药物运输。空间多组学可解释靶抗原阳性肿瘤的原发耐药，并支持设计破坏屏障、增强深部穿透的组合策略。
3 通过整合多组学克服治疗耐药
3.1 靶向治疗：旁路信号与代谢重编程
针对EGFR突变和ALK融合的酪氨酸激酶抑制剂（TKI）改变治疗，但获得性耐药不可避免。仅分析耐药后批量基因组可能关注高发非致死性乘客突变；单细胞多组学和动态追踪有助于定位罕见关键弱点。耐药呈多层级联：继发基因组改变（EGFR C797S、ALK激酶域突变）、磷酸化蛋白组旁路激活（MET扩增激活AKT/ERK）及脂质代谢重编程（脂滴积累、膜流动性维持）。识别基因组至代谢连续谱盲点，促成Sotorasib（KRAS G12C）及Selpercatinib、Entrectinib（RET、NTRK、NRG1）等获批；协同靶向旁路或代谢节点与TKI是组学指导精准医学成果。
3.2 免疫治疗：免疫逃逸与耗竭特征
免疫检查点抑制剂（ICIs）革新治疗，但耐药常见。高肿瘤突变负荷（TMB）和PD-L1表达与ICI反应相关，T细胞浸润及干扰素-γ信号提示免疫炎症；Tregs和MDSCs浸润形成抑制网络。肿瘤糖酵解致乳酸和腺苷积累，酸性缺氧代谢重编程损害CD8
+ T细胞并上调LAG-3、TIM-3和PD-1等耗竭特征，形成免疫逃逸循环。双靶点双特异性抗体如PD-1/VEGF抑制剂ivonescimab（AK112）同时阻断PD-1和中和VEGF，正常化代谢与血管微环境并缓解T细胞耗竭，在化疗后或EGFR-TKI耐药NSCLC中显示优势。
4 拓展治疗前沿：组学指导的患者分层
4.1 ADC疗效的空间与多组学决定因素
抗体药物偶联物（ADC）在HER2突变或高TROP2表达NSCLC中有效。DNA突变联合RNA表达增强患者识别，HER2激活突变而非单纯扩增者可从trastuzumab deruxtecan（T-DXd）获益。但批量转录信号常不转化，ADC依赖靶抗原可及性和内吞运输。空间蛋白质组和空间转录组定位HER2、HER3、TROP2和CEACAM5等靶点；胞质定位或膜分布差即使mRNA高也可能功能耐药。空间组学可量化膜结合靶丰度、预测内吞效率，并评估瘤内异质性和旁观者效应。对可裂解连接和膜透payload（如T-DXd），空间转录组可测量抗原阳性“sink”细胞与邻近阴性细胞距离，预测payload扩散杀伤。整合突变、膜蛋白定位、空间几何和免疫动态可指导ADC-免疫联合。
4.2 鉴定用于个性化疫苗和细胞治疗的新抗原
CAR-T、双特异性抗体和肿瘤疫苗等增强抗肿瘤免疫。scRNA-seq和空间转录组可分析TME免疫细胞动态并发现靶点。个性化细胞治疗和疫苗依赖肿瘤特异性新抗原。多组学流程以全外显子测序（WES）绘制体细胞突变，批量RNA测序确认突变等位基因转录；计算机算法预测肽-MHC亲和力但假阳性高。整合HLA肽组学和质谱可验证哪些突变肽被自然加工并呈递于HLA。汇聚WES、RNA-seq和HLA肽组学可定位高免疫原性患者特异性新抗原，指导个体化mRNA疫苗设计。
5 动态追踪与实时临床决策
5.1 循环肿瘤DNA和外泌体用于早期检测和复发监测
液体活检主要包括循环肿瘤DNA（ctDNA）和肿瘤来源外泌体，实现非侵入、连续分子分析。早期筛查中，ctDNA测序识别EGFR、KRAS驱动突变及DNA甲基化，高特异性区分良恶性，早期敏感性50%–70%；外泌体携带miR-21、miR-155等提供互补信息。机器学习整合多组学可提高诊断准确性。分子残留病（MRD）检测最具变革性：术后纵向ctDNA监测高灵敏评估MRD，阳性者适合强化辅助治疗，持续阴性者或可避免毒性。ctDNA和外泌体波动常早于影像进展数月，并可捕获EGFR T790M等耐药突变。
5.2 治疗适应中的纵向多组学
靶向和免疫治疗中，连续监测ctDNA、循环肿瘤细胞和外泌体有助于早期发现耐药突变和免疫逃逸。EGFR突变NSCLC管理中，TKI治疗期间纵向液体活检可映射亚克隆结构；EGFR C797S或MET扩增可在CT进展前数月于ctDNA中定量。该“分子领先时间”使临床医生可主动调整方案，包括靶向联合、第四代EGFR-TKI，或转为PD-1/VEGF、EGFR/c-Met等双靶点双特异性抗体。主动、实时治疗适应有望成为常规管理的一部分。
6 AI引擎：将高维数据转化为临床行动
6.1 NSCLC特异性机器学习预测模型
人工智能（AI），尤其机器学习和深度学习，与多组学整合可将复杂数据转化为临床见解。预后预测常用LASSO惩罚回归等特征选择，过滤共线变量，构建多基因风险评分和生存模型。标准流程包括火山图展示差异表达、气泡图展示GO/KEGG富集、主成分分析确认特征空间分离，以及Kaplan-Meier生存曲线验证风险分层。整合转录组和临床变量预测ICI疗效的模型已显示较强区分能力，部分外部验证中曲线下面积（AUC）超过0.85、一致性指数（C-index）超过0.75。
6.2 先进整合算法（如MOFA+）在肺癌队列中
多组学AI流程包括预处理与归一化、特征选择与降维、模型训练及验证。早期简单拼接难以捕捉非线性跨层互作，且受技术噪声和缺失值影响。MOFA+等无监督概率框架可将异质组学层分解为共享和模态特异性潜在因子，适应缺失值并区分生物方差与批次效应。在NSCLC大队列中，MOFA+可揭示隐藏调控网络，例如将启动子高甲基化、免疫相关基因沉默和表面抗原呈递抑制联系起来，提示耐药亚克隆治疗弱点，加速多模态生物标志物发现。
7 弥合转化鸿沟：局限性与未来展望
7.1 可重复性与标准化瓶颈
技术和分析瓶颈阻碍临床转化。WES变异检测跨平台一致性约85%–90%，损害可比性；单细胞测序因实验条件、细胞活力、测序深度和分析流程差异产生批次效应，Seurat和Harmony等仅能缓解而非完全消除偏差。多组学特征跨队列可重复性差，许多预后/预测多基因签名在独立外部队列验证失败。原因包括组织采样偏差：NSCLC空间和克隆异质性使单次穿刺难以反映完整肿瘤景观；以及缺乏统一的数据归一化、批次校正和特征缩放标准，导致合并不同平台数据时产生统计伪影。
7.2 前瞻性临床试验和真实世界数据的缺乏
多数多组学标志物和AI模型仍限于回顾性验证，易受选择偏倚、过拟合和历史混杂影响，难以直接进入指南。需要前瞻性、随机、对照、多中心临床试验（RCTs），头对头比较多组学指导治疗与标准治疗，验证无进展生存或总生存获益。同时应补充真实世界数据（RWD），因RCT严格入组常排除异质、老年或虚弱患者。整合大规模RWD有助于验证多组学策略在多样、未选择NSCLC人群中的稳健性、安全性和真实有效性。
7.3 常规实践中的成本效益与实施
全基因组测序和全面多组学仍昂贵，且社区和基层医院缺乏生信工具、计算资源和专业人员；分子肿瘤委员会和生信人才全球稀缺。多组学整合、批次效应、数据噪声和算法偏倚仍未完全解决。基因组发现转化为可行诊疗策略困难，许多生物标志物未在试验中显示预测价值。监管审批亦复杂，FDA或NMPA对多组学诊断试剂和“黑箱”AI算法要求严格，需建立通用分析阈值并证明临床效用。未来需高质量标准化数据集、优化整合方法及大规模RWD验证，以克服经济、基础设施和监管障碍。
