《Molecular Cancer》：Deep molecular profiling of lung neuroendocrine tumours and supra-carcinoids
编辑推荐：
背景：肺神经内分泌肿瘤（NETs，又称类癌）的发病率在全球范围内迅速上升，但病因不明，且除手术外治疗选择有限。目前的WHO分类基于有丝分裂计数和坏死存在与否，将肺NETs分为1级典型和2级非典型肿瘤，但这种二元分类未能涵盖近期描述的分子实体，且不足以指导临床管
背景：肺神经内分泌肿瘤（NETs，又称类癌）的发病率在全球范围内迅速上升，但病因不明，且除手术外治疗选择有限。目前的WHO分类基于有丝分裂计数和坏死存在与否，将肺NETs分为1级典型和2级非典型肿瘤，但这种二元分类未能涵盖近期描述的分子实体，且不足以指导临床管理。方法：研究人员对超过300例肺NETs进行了整合多组学分析，包括全基因组测序、转录组分析和DNA甲基化阵列，随后进行原型分析，以识别和表征分子分组。进一步利用空间RNA测序、蛋白质组学及全切片图像的深度学习分析来研究这些分子组。结果：多组学数据的整合提供了确凿证据，表明存在四个截然不同的分子组，这些分子组在患者特征、基因组和转录组谱、微环境及形态学方面各不相同。其中，研究人员识别出一个新分子组，富集于高度侵袭性的超类癌，该组展现出与肿瘤-巨噬细胞串扰相关的免疫丰富微环境。研究人员在超类癌中发现了一个未分化细胞群体，并显示超类癌与近期识别的非典型小细胞肺癌肿瘤在转录组上具有相似性，进一步证明了它们与高级别肺神经内分泌癌的分子联系。多区域基因组分析识别出不同的进化轨迹，提示分子组由基因组事件在肿瘤发生早期决定，且组间转变虽不常见，但对超类癌而言是可能的。深度学习模型仅基于形态学即可准确识别这些分子组，优于当前的组织学标准。结合免疫组化标志物组的验证，研究人员证明这些分子组可基于形态学特征准确识别，便于未来在临床实践中应用。所提出的形态分子分类突出了潜在的组特异性治疗机会，包括DLL3、EGFR、FGFR和TERT抑制剂靶点表达的差异。结论：总体而言，研究结果统一了先前提出的分子分类，并通过揭示新的肿瘤表型优化了肺癌图谱，对预后和治疗管理具有潜在意义。
### 论文解读：肺神经内分泌肿瘤的深度分子分型及其临床意义
#### 研究背景与问题
肺神经内分泌肿瘤（NETs，又称类癌）的全球发病率逐年上升，但其病因尚未明确，且除手术外治疗手段极为有限。当前WHO分类依据有丝分裂计数和坏死情况，将肺NETs分为1级典型（typical）和2级非典型（atypical）肿瘤，但这一二元分类无法解释新近发现的分子实体，且在临床管理上存在显著不足，尤其在预后预测和治疗反应评估方面。既往研究虽提出三种转录组亚型（Ca A1、Ca A2、Ca B），但形态学与分子分型之间的不一致性，以及超类癌（supra-carcinoids）这一新实体的存在（具有低级别形态但分子和临床特征类似小细胞肺癌（SCLC）和大细胞神经内分泌癌（LCNEC）），使得统一分类体系的建立成为迫切需求。本研究旨在通过大规模多组学分析，明确肺NETs的分子分组及其进化机制，并探索其与神经内分泌癌（NECs）的潜在关联，从而提出一个更精准的形态分子分类以改善临床诊断和治疗。
#### 研究内容与结论
研究人员对来自319例新鲜冷冻肺NETs（富集79例2级肿瘤）的样本进行了整合多组学分析，包括全基因组测序、转录组分析、DNA甲基化阵列，并联合原型分析和深度学习分析，鉴定出四个截然不同的分子组。其中，新识别的超类癌富集组（sc-enriched）具有高度侵袭性、免疫丰富微环境及独特的进化轨迹。研究进一步发现，这些分子组在肿瘤发生早期由基因组事件决定，且组间转变虽罕见但对超类癌可能发生。最终，研究人员提出了一种形态分子分类，可通过免疫组化（IHC）标志物和深度学习形态特征实现临床落地，为个体化治疗提供依据。该研究发表在《Molecular Cancer》上，统一了先前分类，拓展了肺癌分子图谱。
#### 主要技术方法
研究人员利用319例肺NETs样本（主要来自肺NENomics网络）进行多组学整合分析，包括全基因组测序（WGS）、转录组测序（RNA-seq）和DNA甲基化阵列，并采用原型分析（ParetoTI）识别分子组。随后，通过空间转录组学（Visium）和蛋白质组学（如数字空间谱分析）研究肿瘤微环境，并结合深度学习（如RoFormer-MIL）分析全切片图像以关联形态特征。此外，还利用单细胞参考数据库进行细胞去卷积，并建立患者来源肿瘤类器官（PDTO）模型验证进化轨迹。
#### 研究结果
**超类癌构成第四种分子组**：多组学因子分析和原型分析证实，肺NETs存在四种分子原型，其中sc-enriched组富集超类癌（14/16例），具有更高的突变负担、结构变异和免疫浸润（以M1型巨噬细胞为主），且预后较差。
**进化轨迹与细胞状态**：多区域测序显示Ca A1、Ca A2和Ca B组在空间上稳定，而sc-enriched组可能从其他组演化，且富含未分化LAP（下气道祖细胞）样细胞，与肿瘤-巨噬细胞互作（如ICAM1-ITGAX/ITGB2）相关。
**与NEC的关联**：超类癌在转录组上与不典型SCLC相似，且一例超类癌PDTO在传代中转向NEC表型，提示其可能为NET与NEC间的过渡态。
**形态学特征与AI识别**：深度学习模型基于H&E切片可准确预测分子组（优于组织学分级），识别出Ca A1的梭形细胞、Ca A2的类器官结构等特征。
**临床转化机会**：分子组间差异表达DLL3、EGFR、FGFR等治疗靶点，且sc-enriched组呈现较高的T细胞炎症表型（可能对PD-1抑制剂敏感），并验证了基于IHC（ASCL1、HNF1A、OTP）和PACMOS软件的分类可行性。
#### 讨论与结论
讨论指出，肺NETs分子组具有独特的病因、临床和进化特征，与WHO分级互补（分子组反映生物学，分级反映进展）。超类癌的发现强调神经内分泌肿瘤可塑性，但其是否作为独立实体尚需进一步验证。结论部分强调，四个分子组（Ca A1、Ca A2、Ca B、sc-enriched）应被视为不同疾病，需采用差异化治疗策略；所提出的形态分子分类可指导未来临床试验设计，并可通过IHC或软件工具在临床中实施，最终提高肺NETs的精准管理水平。
