期刊俱乐部：癌症连续谱中的多组学整合——从早期检测到肿瘤演化

· Research Updates

期刊俱乐部：癌症连续谱中的多组学整合——从早期检测到肿瘤演化

引言

癌症不再被视为单一的疾病，而是一个复杂的生态系统，其定义在于分子异质性、动态演化以及与微环境的复杂相互作用。这种复杂性使得单一组学方法——仅依赖基因组学、转录组学或影像学——不足以进行精确的诊断、预后判断和治疗指导。该领域正迅速汇聚于整合多组学这一范式，该范式通过整合多种分子和临床数据类型，构建更完整、更具可操作性的肿瘤图谱。

本月，我们审视了《自然·通讯》上的三项关键研究，它们代表了癌症旅程不同阶段的这一趋势。这些研究共同展示了如何运用多组学解决关键的临床问题：早期肺结节的诊断不确定性、驱动儿童肝肿瘤的细胞可塑性，以及晚期肺癌的分子亚型分型。每篇论文都利用了独特的组学层组合——临床-影像组学-片段组学、单细胞转录组学-表观基因组学-空间组学，以及蛋白质基因组学——这些组合均针对其特定的生物学和临床问题而定制。

总之，这些研究突显了一个强大的转变：从描述性生物学转向临床整合模型。它们使我们更接近这样一个未来：多组学特征将指导无创诊断、揭示治疗抵抗机制，并超越组织学重新定义癌症分类。

论文一：用于诊断不确定肺结节的多组学模型

41467_2024_55594_Fig2_HTML

主要发现

  1. 卓越的诊断准确性： 整合了临床数据、CT影像组学以及循环游离DNA（cfDNA）在5-甲基胞嘧啶（5mC）富集区域的片段组学特征的clinic-RadmC模型，在包含2032名参与者的外部测试集上实现了0.923的曲线下面积（AUC）。这显著优于任何单一组学模型或部分组合模型（所有比较的p值均<0.05）。
  2. 临床实用性： 该模型显示出改善患者管理的切实潜力。理论上，它可以将良性结节不必要的侵入性检查减少10.9–35%，并将恶性结节延迟治疗的情况减少3.1–38.8%。
  3. 稳健性： 即使在调整了标准的临床-放射学变量后，clinic-RadmC的优越性依然存在，证实了它提供了超越当前临床评估的独立且有价值的信息。
  4. 甲基化区域的片段组学： 该研究特别分析了cfDNA在富含表观遗传标记5mC的基因组区域内的片段化模式（片段组学）。这种靶向方法被证明比分析全基因组的片段组学更具信息量，提示了组织特异性甲基化与癌症相关片段化特征之间存在关联。

方法与研究设计

  • 技术方法： 这是一项多机构诊断研究。模型整合了三个数据层：（1）临床特征（如患者年龄、结节特征），（2）从胸部CT扫描中提取的量化结节纹理、形状和强度的影像组学特征，以及（3）来自血浆cfDNA低覆盖度全基因组测序的片段组学特征，重点关注5mC富集区域内片段大小和末端基序等模式。
  • 队列： 研究涉及一个包含2,032名不确定肺结节（IPNs）参与者的大型队列，分为训练集、验证集和外部测试集，以确保严格的评估。
  • 新颖性： 虽然之前的模型使用了临床+影像组学或临床+cfDNA特征，但这是首批成功将所有三个支柱整合到一个经过大规模外部验证的框架中的研究之一，并创新性地聚焦于甲基化引导的片段组学。

意义

这项工作直接解决了肺科医学中一个巨大的临床和经济问题。每年有数百万患者发现IPNs，导致昂贵且痛苦的诊断过程。通过提供一种高精度、基于血液和影像的检测方法，clinic-RadmC为更精确、侵入性更小的诊断路径提供了可能。它通过证明数据类型（影像+液体活检+临床）之间的协同作用大于其各部分之和，推动了该领域的发展，为整合诊断模型的开发树立了新标准。

论文二：单细胞多组学图谱揭示肝母细胞瘤的可塑性与克隆演化

主要发现

  1. 细胞状态连续谱： 单细胞多组学揭示，肝母细胞瘤（HB）细胞存在于一个分化状态的连续谱中，以肝细胞样（scH）、肝脏祖细胞样（scLP）和间充质样（scM）为锚点。一个关键发现是存在一个中间scH/LP群体，空间转录组学显示其位于scH和scLP区域的边界。
  2. 克隆可塑性： 通过将体细胞突变映射到单个细胞，作者表明肿瘤内的每个遗传亚克隆都表现出其自身的细胞可塑性范围，占据多种分化状态。这直接将遗传演化（克隆性）与非遗传表型多样性（可塑性）联系起来。
  3. 治疗反应的决定因素： 研究发现，过度表达干细胞和DNA修复基因的scLP主导亚克隆在新辅助化疗后增殖更快。这确定了一种可塑的、祖细胞样状态是潜在的疗法抵抗和复发的储存库。
  4. 调控网络： 单细胞水平的转座酶可及染色质测序（ATAC-seq）定义了支撑这些细胞状态之间转换的基因调控网络和转录因子激活序列。

方法与研究设计

  • 技术方法： 该研究对原发性HB样本采用了单细胞多组学策略，从同一细胞中同时检测转录组（scRNA-seq）和染色质可及性（scATAC-seq）。这又与批量全基因组测序（用于识别体细胞突变）和空间转录组学（用于在肿瘤结构中定位细胞状态）进行了整合。
  • 核心创新： 其优势在于能够同时从单个细胞捕获基因型（每个克隆的突变）、表型（转录状态）和表观基因型（染色质可及性），从而前所未有地揭示了遗传亚克隆如何在可能的细胞身份图谱中导航。

意义

这项研究超越了仅仅描述异质性，转而解释其起源和后果。它提出克隆演化与表观遗传可塑性之间的相互作用是驱动HB生物学和临床结果的关键因素。通过将scLP状态确定为化疗抵抗状态，它将焦点从靶向静态的"癌细胞"转向靶向驱动可塑性和适应性的动态过程。这对于设计能将细胞锁定在敏感状态或消除可塑性祖细胞群体的疗法具有深远意义。

论文三：蛋白质基因组亚型分型揭示超越组织学的NSCLC生物学

主要发现

  1. 五种分子亚型： 对229名韩国NSCLC患者（外加462名来自公共队列）的整合分析定义了五种分子亚型，这些亚型跨越了传统的LUAD和LSCC组织学界限。其中一个显著亚型的特点是PI3K-Akt通路上调、高转移率和不良生存率，且与组织学类型无关。
  2. 与染色体不稳定性的关联： LUAD和LSCC中的增殖性亚型均与全基因组加倍（WGD） 事件密切相关，WGD是染色体不稳定性（CIN）和肿瘤侵袭性的主要驱动因素。
  3. 免疫微环境多样性： 全面的分析揭示了不同亚型间免疫细胞组成和新抗原负荷的巨大差异。识别出了不同的免疫学亚型，包括一个"热"肿瘤富集状态，该状态显示出更高的辅助治疗效果。
  4. 临床转化： 该亚型分型框架将分子特征与可操作的临床特征联系起来：CIN（预测侵袭性和潜在治疗脆弱性）和TME组成（预测免疫治疗反应）。

方法与研究设计

  • 技术方法： 这是一项蛋白质基因组学研究，整合了肿瘤组织的全外显子组测序、RNA测序和基于质谱的蛋白质组学。这使得作者能够将基因组改变与其功能性的蛋白质水平后果及免疫环境联系起来。
  • 队列： 使用一个规模可观、统一处理的韩国队列，并在大型公共多组学数据集（TCGA, CPTAC）中进行验证，既提供了发现能力，也进行了普适性检验。

意义

这项工作挑战了肺癌分类中一个世纪以来以组织学为首要标准的做法。它证明，通过蛋白质基因组整合定义的分子亚型捕捉了基本的病理生理学差异——如CIN和免疫环境——这些差异比显微镜下的外观对预后和治疗选择更具相关性。它为NSCLC提供了一个下一代、基于生物学的分类蓝图，可以直接指导临床试验设计和个性化治疗选择。

综合与讨论

这三篇论文共同构成了一个关于多组学在癌症连续谱中强大力量的引人注目的叙述。论文一处于诊断前沿，使用相对简单的多组学整合（临床+影像+血浆DNA）来回答一个二元问题：良性还是恶性？其优势在于对早期检测具有直接的临床转化潜力。论文三处于亚型分型和预后判断阶段，使用切除肿瘤的深度分子谱分析（蛋白质基因组学）来完善分类并预测行为。论文二则深入探究了肿瘤生物学的机制核心，使用最高分辨率的工具（单细胞多组学）来解释异质性和治疗抵抗如何通过克隆与可塑性的相互作用而产生。

它们是高度互补的。论文二（HB）揭示的克隆可塑性，可能就是产生论文三（NSCLC）所识别的异质性亚型的机制，并且最终会释放出能被论文一方法检测到的片段组学特征。一个清晰的模式正在浮现：从静态分类转向动态图谱绘制。我们正在从将肿瘤标记为某种类型（如LUAD），转向将其理解为一个共存细胞状态（论文二）的系统，这个系统产生了一个主导的分子表型（论文三的亚型），而其痕迹可以被无创地检测到（论文一）。

虽然没有直接的矛盾，但一个关键的张力在于规模与分辨率。论文一和论文三使用大样本或液体活检分析大型队列，这对于稳健的生物标志物开发和临床验证是必要的。论文二提供了无与伦比的分辨率，但规模较小，这引发了一个问题：如何将单细胞机制性见解转化为可扩展的临床检测方法。未来很可能在于利用单细胞研究（如论文二）来发现批量或液体检测（如论文一和三）必须捕获的关键特征。

主要的开放性问题依然存在：

  1. 技术层面： 我们如何在不同平台和机构间标准化数据整合流程以确保可重复性？
  2. 生物学层面： 来自儿童HB（论文二）的可塑性连续谱模型是否适用于成人癌（如NSCLC）？
  3. 临床意义： 诊断模型（论文1）令人印象深刻的AUC值，能否在前瞻性随机干预试验中转化为死亡率的降低和发病率的改善？

供实验室会议讨论

以下是5个可激发讨论的问题：

  1. 方法论： 论文1选择专门分析5mC富集区域的cfDNA片段组学。与全基因组范围的片段组学分析相比，这种靶向分析方法有哪些潜在优势和缺陷？
  2. 普适性： 论文3的分子亚型来源于韩国队列。人群特异的遗传背景或环境暴露可能如何影响这些亚型的流行率或特征？需要哪些步骤来在全球范围内验证这一框架？
  3. 未来方向： 基于论文2展示的克隆与可塑性之间的相互作用，旨在限制肿瘤细胞可塑性（而非仅仅杀死增殖细胞）的治疗方案，其设计原则应是什么？
  4. 关联整合： 如果你要设计一项研究，追踪一个肺结节从检测（论文1的领域）到切除和分子分析（论文3的领域）的全过程，你会收集哪些纵向多组学数据来连接这些视角并捕捉肿瘤的演化？
  5. 更广泛趋势： 所有三篇论文都依赖于复杂的计算整合。在多组学数据融合方面，生物信息学和机器学习领域最大的未解挑战是什么？哪些新兴工具或算法看起来最有希望解决这些问题？

关键术语

  • 片段组学： 对细胞游离DNA片段模式的研究，例如其长度、基因组末端位置和覆盖度失衡。这些模式受其来源细胞染色质结构的影响，可作为癌症的非侵入性生物标志物。
  • 蛋白质基因组学： 一种整合基因组学、转录组学和蛋白质组学数据的分析方法。其旨在识别基因组改变在蛋白质层面的证据（例如，突变产生的新肽段），并理解mRNA表达如何转化为（或未能转化为）蛋白质丰度。
  • 细胞可塑性： 癌细胞响应环境信号或治疗，在不同表型状态（例如，干细胞样、分化、间充质）之间转换的能力。这是一种非遗传性的、通常受表观遗传调控的驱动因素，导致肿瘤异质性和治疗抵抗。
  • 影像组学： 从医学图像中高通量提取定量特征（例如，纹理、形状、强度）。这些通常人眼无法察觉的特征，可用于构建诊断、预后或治疗反应的预测模型。
  • 全基因组加倍： 细胞获得其整个基因组额外拷贝的灾难性事件。WGD是染色体不稳定的主要来源，为后续进化提供遗传物质，并与许多癌症的不良预后相关。

参考文献

  1. Mengmeng Zhao, Gang Xue, Bingxi He, J. Deng, Tingting Wang, Y. Zhong, et al. (2025). Integrated multiomics signatures to optimize the accurate diagnosis of lung cancer. Nature Communications. https://doi.org/10.1038/s41467-024-55594-z

  2. Amelie Roehrig, T. Hirsch, Aurore Pire, G. Morcrette, Barkha Gupta, C. Marcaillou, et al. (2024). Single-cell multiomics reveals the interplay of clonal evolution and cellular plasticity in hepatoblastoma. Nature Communications. https://doi.org/10.1038/s41467-024-47280-x

  3. K. J. Song, Seunghyuk Choi, Kwoneel Kim, H. S. Hwang, E. Chang, Ji Soo Park, et al. (2024). Proteogenomic analysis reveals non-small cell lung cancer subtypes predicting chromosome instability, and tumor microenvironment. Nature Communications. https://doi.org/10.1038/s41467-024-54434-4

Multiomics Integration Systems Biology Paper Feed