《The Journal of Pathology》：Molecular, spatial, and AI-enabled technologies for predicting neoadjuvant therapy response in locally advanced rectal cancer
编辑推荐：
中文翻译
局部进展期直肠癌（LARC）的新辅助治疗反应预测前仍是一项未解决的挑战，目前该疾病的治疗管理正朝着风险适应性和反应导向性策略方向发展。由于治疗反应反映了肿瘤内在、免疫、间质及空间过程的相互作用，而这些过程难以被标准临床和影像学评估完整捕获，因此预测仍
中文翻译
局部进展期直肠癌（LARC）的新辅助治疗反应预测前仍是一项未解决的挑战，目前该疾病的治疗管理正朝着风险适应性和反应导向性策略方向发展。由于治疗反应反映了肿瘤内在、免疫、间质及空间过程的相互作用，而这些过程难以被标准临床和影像学评估完整捕获，因此预测仍十分困难。本综述从技术中心的视角出发，评估了分子、空间、影像及人工智能（AI）驱动的方法如何被用于从治疗前活检组织中研究和预测新辅助治疗反应，以及这些方法向临床工作流程转化的可行性。基因组分析在临床上最明确的作用在于识别高突变免疫反应性亚群，而更广泛的基因组、表观基因组及免疫组库标志物仍主要处于研究阶段。批量转录组学已产生多种反应特征，其可重复性不一，但一致性地将免疫激活、干扰素（IFN）信号、间质重塑及上皮-间质转化（EMT）确定为与反应相关的反复出现的程序；其最具可行性的临床路径可能是通过靶向表达panel而非开放式转录组分析实现。空间转录组学和蛋白质组学等高分辨率平台通过将信号定位至肿瘤、免疫及间质区室，并捕获治疗诱导的组织重塑，进一步完善了上述观察结果，但目前这些平台最适合用于加深生物学理解并为未来测试提出合理的治疗组合。数字病理学等成熟平台由于建立在临床嵌入的工作流程之上，更接近常规部署，尽管反应预测算法仍需稳健的外部验证、校准及监管级实施。患者来源模型为测试候选生物标志物和耐药机制提供了功能性系统。多模态人工智能可通过识别跨数据类型互补信号并将复杂特征浓缩为适合临床转化的简约模型，从而支持反应预测。研究进展将依赖于协调一致的、纵向的、多中心研究，这些研究需将生物学深度与检测标准化、模型简化以及反应预测因子改善患者管理的前瞻性证据相结合。? 2026 The Author(s). 《The Journal of Pathology》由John Wiley & Sons Ltd代表大不列颠及爱尔兰病理学会出版。
主体内容总结
基因组与免疫组库分析对新辅助治疗反应的预测
基因组分析可识别可能影响新辅助治疗敏感性的肿瘤内在特征。在下一代测序技术实现群体规模胚系和体细胞分析之前，遗传标志物已被探索作为直肠癌（RC）新辅助放化疗（nCRT）反应的预测因子。多基因座策略将胚系变异与转录和表观遗传调控联系起来，尚未被正式构建为多基因风险评分，尽管此类框架在具备充分统计效力后可直接转移至nCRT反应预测。
体细胞分析（包括全面测序或靶向癌症基因panel）目前对LARC治疗决策的影响有限。RAS、BRAF V600E、NTRK和HER2状态不影响非转移性疾病的管理，而KRAS、TP53和APC中反复出现的体细胞改变尚未与nCRT反应持续相关。更广泛的策略（涵盖瘤内遗传异质性、DNA甲基化分析和COSMIC突变特征）同样未能产生可重复、经临床验证的标志物，这反映了反应的多因素生物学特性。错配修复缺陷（dMMR）蛋白、微卫星不稳定性（MSI）和POLE状态的评估是这一有限预测效用的关键例外。dMMR/MSI-high和POLE突变肿瘤虽然仅占病例的约3%，但具有高突变负荷、富含新抗原且免疫浸润明显，对免疫治疗高度敏感而对标准nCRT反应较差。高肿瘤突变负荷（TMB）也与nCRT反应相关，但该观察结果仍缺乏充分验证。
基线免疫环境为免疫组库分析提供了生物学依据。放疗诱导的免疫原性细胞死亡可能放大预先存在的抗肿瘤免疫。Immunoscore——测量原发肿瘤中CD3?和CD8? T细胞密度——在nCRT后接受观察等待策略管理的RC患者中显示出预后价值，而治疗前CD8? T细胞密度已独立关联并随后在直肠活检中得到验证。高通量T细胞受体测序（TCR-seq）通过重建CDR3序列和V(D)J基因片段使用，实现TCRβ组库丰富度、多样性、克隆性和克隆扩增的定量测量。在RC中，肿瘤浸润淋巴细胞（TIL）来源的TCR多样性增加与nCRT反应相关。然而，由于组库指标随肿瘤类型、组织区室、测序方法和分析流程而变化，TCR-based预测因子难以跨研究比较。
批量转录组分析：从预测特征到反应生物学
转录组平台生成高维基因表达谱，捕获信息丰富的肿瘤和微环境活动。早期微阵列研究产生了有前景的基线活检基因特征用于预测LARC的nCRT反应，但其重叠性差且未能在独立队列中验证，凸显了可重复性有限。随着成本下降，RNA测序（RNA-seq）因其更高的动态范围和优越的转录水平特征检测而被越来越多地采用。尽管更新的机器学习和RNA-seq方法展示了令人鼓舞的验证性能，但尚无转录组特征获得足够的验证以用于常规临床。
Domingo等人的研究提供了一个更具临床导向性的转录组反应建模示例。作者将FFPE兼容的全转录组表达分析与两个独立RC队列的突变和拷贝数数据相结合，应用机器学习方法并调整基线肿瘤分期，进行了独立验证，开发了与pCR相关的33基因放射敏感性特征（RSS），其生物学特征为免疫激活和抑制性TGFβ信号缺失。后续分析发现RSS在九个RC队列中仍是最强的pCR转录组预测因子，尤其是在接受放疗加氟尿嘧啶治疗的患者中。
批量mRNA分析的主要贡献在于识别与反应和耐药相关的生物学程序。Chatila等人的大型整合基因组和转录组分析识别了pMMR/MSS LARC的免疫热亚群，其特征为高淋巴细胞浸润、增强的细胞毒性和免疫检查点信号。后续研究中，反应常与CD8? T细胞标志物、IFNγ信号、细胞毒性和三级淋巴结构相关，而非反应与调节性T细胞富集、间质激活、EMT程序和TGFβ相关信号相关。
利用空间转录组学和蛋白质组学解析肿瘤-免疫-间质决定因素
耐药不仅由基因表达水平决定，还受肿瘤微环境空间组织的影响。空间转录组学和蛋白质组学平台通过保留组织架构来测量mRNA或蛋白质表达，从而确定细胞位置、相互作用方式以及这些关系在治疗下的变化。
Corrò等人将GeoMx数字空间分析（DSP）应用于53例LARC治疗前活检，分离肿瘤上皮和间质区室的基因表达。28个基因显示出区室特异性效应：例如，肿瘤上皮中ALDH2和TP53表达与耐药相关，而间质中则呈相反关联。当空间数据折叠为伪批量分析时，预测性能大幅下降（AUC从0.80降至0.60），凸显了区室特异性基因表达的附加预测价值。Zhang等人将DSP与多重免疫荧光验证相结合，发现肿瘤区室中HLA-DR/MHC-II表达和间质中CD20? B细胞以高准确性预测反应。Xie等人使用激光捕获显微切割引导的质谱分析，识别了与肿瘤进展相关的区室特异性程序。
新辅助治疗不仅减少肿瘤负荷，还重塑微环境内细胞的空间关系。Qin等人的纵向空间分析显示，癌症相关成纤维细胞（CAF）亚型在反应者与非反应者中的分布不同：反应者发展出免疫许可性生态位，成纤维细胞与CD8? T细胞共定位，而非反应者则表现出涉及特定CAF和巨噬细胞群体的免疫抑制性空间构型。Gao等人在TNT中扩展了这些发现，显示治疗促进内皮细胞与效应T细胞之间的邻近性，且这些细胞类型间空间距离的减少与改善的反应相关。
当前空间平台在分辨率、覆盖范围和临床可行性之间存在权衡。GeoMx等技术提供广泛的转录组覆盖但空间分辨率较低，而较新的平台以更有限的基因panel实现单细胞细节。空间蛋白质组学提供深度蛋白质覆盖但劳动密集且依赖专家注释。短期内，空间组学可能最有价值的是作为发现和生物学解释平台。
数字病理学：从新辅助反应预测到图像衍生生物标志物
常规苏木精-伊红（H&E）染色切片的数字化为全切片图像（WSIs）正日益嵌入病理工作流程，促进计算病理学算法的自动化分析。近期研究探索了在LARC治疗前活检WSIs上使用机器学习模型，直接预测nCRT反应或识别与反应相关的形态学特征。
图像based预测因子已通过经典机器学习流程和端到端深度学习（DL）方法进行检验。Foersch等人通过建立多染色免疫组织化学（IHC）DL模型直接预测nCRT治疗反应，在交叉验证下取得显著准确性。尽管这些研究证明了机器学习模型是预测pCR的有前景方法，但它们在队列设计和验证方案方面存在差异。多项研究依赖单中心、回顾性数据集，模型在单一机构数据上训练和验证，尚未在独立外部队列上验证泛化性——这是安全实施机器学习模型的必要步骤。其他研究报告了外部验证实验和一项前瞻性观察研究。
一个有前景的研究方向是使用专门的图像based机器学习模型量化或推断与治疗反应相关的独立形态计量或分子特征。Lafarge等人使用外部验证的DL模型从WSIs推断共识分子亚型（CMS），报告免疫富集的CMS1亚型与pCR显著相关，而间质富集的CMS4亚型与pCR缺失相关。Jepsen等人使用DL模型直接量化上皮肿瘤面积和免疫浸润，发现更高的CD8?密度和CD8?/CD3?比率与有利的pCR相关。?ztürk等人应用机器学习模型检测肿瘤出芽，报告出芽计数与nCRT后pCR缺失显著相关。多项研究还证明了从H&E直肠活检WSIs直接预测MSI/dMMR和突变状态等临床相关分子标志物的可行性。
迈向LARC新辅助治疗反应的多模态预测
多模态方法整合来自影像、组织学、分子分析和临床变量的互补信息，旨在更好地捕获治疗反应生物学。结合MRI与WSI衍生特征的放射病理组学研究报告了相比单模态模型改善的pCR预测。Li等人显示治疗前MRI、FFPE衍生蛋白质组学和临床变量可整合以预测新辅助治疗反应。
当前AI驱动的融合策略包括组合独立训练的模态特异性模型预测、在模型训练前拼接原始特征，或使用单独编码器学习模态特异性表示后在共享潜在空间中整合。这些方法使模型能够捕获可能与治疗反应相关的跨模态交互。IMPACT研究通过模态特异性编码器和双向多模态注意力支持了结合影像、病理和临床数据进行LARC治疗前风险分层的更广泛价值。
未来LARC新辅助策略的前瞻性试验应与系统性生物标志物发现计划相结合。主要TNT试验之间的合作旨在整合时空多组学数据与临床信息，验证现有预测特征并开发LARC精准治疗框架。联邦学习可能有助于克服多机构数据共享的障碍，使中心能够在不转移敏感患者数据的情况下协作训练反应预测模型。
用于反应和耐药功能性验证的实验模型
临床前小鼠模型对于理解LARC中nCRT反应和耐药的机制仍然重要，提供实验系统来测试通过分子、空间和图像based分析识别的生物标志物或治疗假说是否具有功能相关性。与体外分析和类器官相比，体内系统独特地捕获难以在体外重现的肿瘤-间质-免疫相互作用。
基因工程小鼠模型（GEMMs）和类器官移植系统已大幅扩展CRC建模。CRISPR-Cas9结肠镜模型与类器官移植相结合，允许在免疫活性环境中逐步建模CRC肿瘤发生和转移。患者来源异种移植（PDX）模型保留供体肿瘤的关键组织学和分子特征，并在CRC中重现临床异质性。直肠特异性类器官模型进一步捕获LARC生物学，越来越多地用于研究治疗反应。
为克服常规PDX的免疫局限性，已开发人源化小鼠系统和类器官-免疫共培养平台，能够在更生理的微环境中进行肿瘤-免疫相互作用和检查点阻断的功能性探究。在dMMR RC中，PD-1阻断可诱导深度临床反应，这些整合模型为探索和功能性测试预测生物标志物及耐药机制提供了框架。总体而言，将GEMMs、PDXs、直肠类器官和类器官-免疫共培养与分子和空间分析相结合，提供了将临床前反应表型与临床结局联系起来的转化路径。
讨论
总之，分子、空间和计算技术的快速进步已实现对LARC新辅助治疗反应决定因素的日益详细表征。基因组和表观基因组方法捕获肿瘤内在改变和调控状态，TCR-seq测量可能反映抗肿瘤免疫的适应性免疫组库动态，RNA-based分析揭示了与反应相关的免疫和微环境程序，空间转录组学和蛋白质组学平台将分子信号与肿瘤-免疫-间质组织联系起来。数字病理学能够从组织病理学图像中可扩展地提取预测性形态学和微环境特征，而患者来源组织模型提供功能性系统来测试治疗敏感性和验证耐药机制。
AI对于将这些技术转化为LARC临床可用预测因子可能很重要，通过提取模态内和跨模态的高维模式。计算病理学模型可识别可能反映不同治疗脆弱性的图像based CRC亚型。然而，大多数研究分析基线活检或治疗结束切除标本，治疗中动态仍未被充分探索。一个未来方向是朝向整合纵向多模态数据、患者来源模型和空间分辨分析的全面模型。相反，临床决策可能不需要建模治疗反应的完整生物学复杂性：全面模型可推进对治疗反应生物学的机制理解，而简化模型可能更适合稳健和可扩展的临床决策。LARC的进展将需要协调的多中心合作，理想情况下通过RC联盟协调临床注释、反应定义、采样时间点和跨试验与机构的多模态数据集。
