《Current Issues in Molecular Biology》：Pipettes and Pipelines: The Weapons of Omics Sciences for a New Age of Clinical Studies
编辑推荐：
组学科学（omics sciences）代表了临床研究的一场革命，提供了以空前深度分析生物数据的整合方法。从DNA双螺旋结构的发现到CRISPR-Cas9基因编辑工具，经过测序平台的演变以及计算能力和计算机模拟工具（in silico tools）的指数级进步
组学科学（omics sciences）代表了临床研究的一场革命，提供了以空前深度分析生物数据的整合方法。从DNA双螺旋结构的发现到CRISPR-Cas9基因编辑工具，经过测序平台的演变以及计算能力和计算机模拟工具（in silico tools）的指数级进步，组学（omics）在引领健康科学中旧挑战的创新解决方案方面取得了进展。在这篇综述中，研究人员描述了不同的组学、其技术的历史、数据分析以及用于研究和健康系统中临床数据的最新可视化工具。研究人员还讨论了组学目前如何应用于诊断、精准医学（precision medicine）和个性化医学（personalized medicine）。对于未来，组学有望支撑健康专业人员做出的大多数决策，从而实现基于大数据（Big Data）和个人生物信息的个性化治疗。
2. Lord of the Omics: The Two Machines—High-Throughput Multi-Omics Methodologies
该部分概述了高通量多组学方法学，强调组学科学依赖于两大核心技术：测序和质谱。这些技术推动了基因组学（genomics）、宏基因组学（metagenomics）、表观基因组学（epigenomics）、药物基因组学（pharmacogenomics）、转录组学（transcriptomics）、蛋白质组学（proteomics）、代谢组学（metabolomics）、相互作用组学（interactomics）、脂质组学（lipidomics）和糖组学（glycomics）的发展。每种组学都针对特定生物分子类别，并采用专用实验和计算流程。
2.1. Genomics
基因组学（genomics）研究生物体的完整基因组，包括基因描述、变异（如单核苷酸变异（SNV）和拷贝数变异（CNV））及结构特征。DNA测序技术从桑格测序（Sanger sequencing）演进到高通量测序（NGS）和第三代测序（TGS），使得基因组组装算法（如SPAdes、Canu）和变异调用工具（如GATK HaplotypeCaller、Platypus）得以发展。比较基因组学用于定义核心基因组（core genome）和泛基因组（pan genome），但基因注释（annotation）仍是瓶颈，约半数真核生物组装缺乏注释。人类泛基因组（pangenome）参考草案的构建减少了小变异发现错误，并增加了可检测的结构变异数量，有助于理解癌症和精神分裂症等疾病。
2.2. Metagenomics
宏基因组学（metagenomics）直接从环境或临床样本中提取遗传物质，无需分离培养。早期使用16S rRNA（细菌）和18S rRNA（真菌）标记基因，但分辨率有限。NGS技术的出现推动了全基因组鸟枪法测序（WGS），可检测更多细菌物种、提供功能基因信息并覆盖病毒和真菌。宏基因组学在微生物组（microbiome）研究中应用广泛，通过整合“宏组学”（meta-omics）推断微生物群落的功能和结构特征，揭示了肠道菌群与阿尔茨海默病、高血压、肠炎和癌症等疾病的关系，并催生了“精准营养”（precision nutrition）概念。
2.3. Epigenomics: Beyond Sequencing
表观基因组学（epigenomics）研究不改变DNA序列的可遗传基因表达变化，包括DNA甲基化、组蛋白修饰、染色质重塑和非编码RNA调控。技术从亚硫酸氢盐测序（bisulfite sequencing）发展到转座酶可及染色质测序（ATAC-seq），后者通过Tn5转座酶插入测序接头，可快速分析开放染色质区域。表观基因组学揭示了自身免疫疾病（如系统性红斑狼疮）和癌症中表观遗传改变的作用，ATAC-seq与RNA-seq联合可识别增强子元件。
2.4. Pharmacogenomics
药物基因组学（pharmacogenomics）利用DNA、RNA和氨基酸序列数据指导药物开发与测试，个体间基因组变异（约0.4%）显著影响药物反应。该领域整合转录组学（RNA-seq）、蛋白质组学和表观基因组学数据，以预测药物疗效和不良反应。生物标志物（biomarker）的鉴定是关键贡献，用于预测遗传病、心血管疾病和癌症的发病及治疗反应，为精准医学（precision medicine）和个性化医学（personalized medicine）奠定基础。
2.5. RNA Sequencing, Transcriptomics and Metatranscriptomics
转录组学（transcriptomics）研究所有RNA转录本及其定量，包括编码和非编码RNA。技术从基因表达系列分析（SAGE）演进到微阵列（microarray），再到RNA测序（RNA-seq），后者具有更广动态范围和更高灵敏度，可检测新转录本和剪接变体。数据分析流程包括预处理（如修剪和比对）、归一化（如DESeq2的方差稳定变换）、差异表达分析（DEG）、富集分析和机器学习分类。转录组学在临床诊断中应用广泛，例如通过核酸扩增测试（NAAT）检测病毒RNA，以及在COVID-19中基于实时逆转录聚合酶链反应（RT-PCR）的金标准诊断。基于核酸的疫苗（如mRNA疫苗）代表了转录组学知识的突破性应用。
2.6. Proteomics: Spectrometry and Electrophoresis
蛋白质组学（proteomics）大规模研究蛋白质，起源于二维凝胶电泳（2D-GE）和质谱（MS）的结合。MS技术进步（如电喷雾电离（ESI）和基质辅助激光解吸电离（MALDI））推动了高通量蛋白质组学平台。
2.6.1. Mass Spectrometry-Based Proteomics (Targeted and Untargeted)
基于质谱的蛋白质组学分为靶向（targeted）和非靶向（untargeted）方法。靶向方法如选择反应监测（SRM）和多重反应监测（MRM）用于分析预定义蛋白质。非靶向方法如数据依赖性采集（DDA）和数据非依赖性采集（DIA）用于发现新生物标志物。现代高分辨率MS仪器可常规鉴定和定量数千种蛋白质。
2.6.2. Multiplexed Immunoassays (Lumina Platforms)
多重免疫测定（如Luminex技术）使用彩色编码磁珠，可同时测量多达500种蛋白质，具有高灵敏度、特异性和可重复性，广泛应用于免疫学、肿瘤学和传染病研究。
2.6.3. Integrating Proteomics and Beyond
蛋白质组学与基因组学整合推动了药物开发，如重组蛋白表达和单克隆抗体（如曲妥珠单抗（Herceptin））用于癌症治疗。AlphaFold 3等深度学习工具提高了蛋白质结构预测精度。遗传密码扩展和非天然氨基酸的应用促进了工程蛋白（如铜敏感GFP、人生长激素（hGH））和生物材料（如胶原样蛋白、弹性蛋白样蛋白）的生产。
2.7. Metabolomics
代谢组学（metabolomics）分析生物样本中的小分子代谢物，起源于纸色谱和GC-MS。技术包括核磁共振（NMR）和液相色谱-质谱（LC-MS）。数据库如METLIN和人类代谢组数据库（HMDB）促进了代谢物鉴定。代谢组学分为靶向（特定代谢物）和非靶向（全局分析）方法，用于研究健康-疾病平衡、药物疗效和毒性。
2.8. Interactomics
相互作用组学（interactomics）研究蛋白质与其他分子（如DNA、RNA、脂质）的相互作用网络。早期方法为酵母双杂交（Y2H），后续演进为Y2H-NGIS（下一代相互作用筛选）和亲和纯化-质谱（AP-MS）。近邻依赖的生物素鉴定（BioID）通过突变生物素连接酶BirA*标记邻近蛋白。共洗脱方法（如色谱和蓝色天然聚丙烯酰胺凝胶电泳（BN-PAGE））可同时分析整个相互作用组。
2.9. Lipidomics
脂质组学（lipidomics）是代谢组学的分支，专注于脂质分子分析，因其疏水性需要专用提取方法（如BUME、MTBE、Folch法、Bligh-Dyer法）。分析方法与代谢组学共享，但侧重MALDI。脂质组学在代谢紊乱、心血管疾病、神经疾病和癌症（如乳腺癌、前列腺癌）研究中取得进展。
2.10. Glycomics
糖组学（glycomics）研究聚糖的组成、结构和功能，曾被称为“生物学暗物质”。质谱是主要分析工具，结合电离方法（MALDI-TOF）和解离方法（UVPD、ETD、CID、HCD）用于异构体鉴定。糖组学常与蛋白质组学整合形成糖蛋白质组学（glycoproteomics），用于研究病原-宿主相互作用和疾病标志物。
3. Lord of the Omics: The Society of Personalized Medicine—Clinical Implementation of Precision and Personalized Medicine
精准医学（precision medicine）整合患者遗传和表型数据以优化治疗选择，已应用于癌症、糖尿病、脓毒症和囊性纤维化。个性化医学（personalized medicine）结合遗传信息与大量临床数据，采用人工智能（AI）、生物工程、纳米技术和基因编辑等手段，解决生育问题并治疗复杂疾病（如结核病、HIV和癌症）。
4. Lord of the Omics: The Return of Machine Learning—Persistent Bottlenecks, Computational Horizons, and Ethical Challenges
机器学习（machine learning）的进步，如随机森林模型用于疟疾诊断和眩晕鉴别诊断，在癌症风险分层、诊断、预后和治疗策略选择中发挥重要作用。然而，精准医学和个性化医学仍面临高成本、数据质量、可重复性和计算瓶颈等挑战。人类基因组计划（Human Genome Project）的成果尚未普及，全基因组关联研究（GWAS）样本中91%来自欧洲血统，导致发展中国家的医疗公平性问题。伦理问题涉及数据隐私、基因编辑和干细胞使用，需要清晰的法律框架和跨文化共识。未来，组学科学有望推动从标准化治疗向基于个性化数据的策略转变，但需克服当前技术和伦理障碍。
