《JCO Precision Oncology》：Current Insights and Future Directions of Multiomic and Spatial-Omic Analysis in Non–Small Cell Lung Cancer
编辑推荐：
本文系统综述了非小细胞肺癌（NSCLC）中除基因组学外，转录组学、蛋白质组学、表观遗传学、代谢组学、微生物组学及空间组学分析的最新进展与临床潜力。文章重点探讨了将这些多层次组学数据进行整合分析（multiomic integration）的重要性，尤其是在缺乏驱动基因突变的非癌基因成瘾性（NOA）NSCLC中，以发现新型生物标志物和精准医疗靶点，从而弥补当前临床转化不足的缺口。
肺癌是癌症死亡的主要原因，其中非小细胞肺癌（NSCLC）约占85%。尽管针对癌基因成瘾性（OA）NSCLC（如携带EGFR、ALK等驱动基因突变）的精准疗法已显著改善患者预后，但约半数的非癌基因成瘾性（NOA）NSCLC患者仍缺乏有效的靶向治疗选择。近年来，各种高通量组学技术的发展为深入理解NSCLC生物学，特别是在NOA-NSCLC领域寻找新的突破口带来了希望。
转录组学分析在NSCLC中的应用
转录组指细胞中全部的RNA集合。通过RNA测序（RNA-seq）等技术，可以分析肿瘤与正常组织间的差异表达基因（DEGs），识别分子亚型或新的基因融合事件。这些信息有助于指导精准治疗或设计基于RNA的疗法。例如，研究发现，在NOA-NSCLC和肺鳞癌（LUSC）的转录组特征上存在相似性。一些研究通过转录组数据预测患者对免疫检查点抑制剂（ICIs）的应答，发现应答者的肿瘤中富集了与B细胞功能和体液免疫相关的基因集。此外，基于mRNA的疗法（如mRNA疫苗或小干扰RNA（siRNA））也正在探索中，为靶向过度表达的癌基因提供了新思路。
蛋白质组学分析在NSCLC中的应用
蛋白质是细胞功能的主要执行者。蛋白质组学技术，如质谱（MS）和反相蛋白质阵列（RPPA），能够大规模分析肿瘤组织或血液中的蛋白质表达与修饰。研究表明，mRNA的表达水平并不总是与蛋白质水平相关，凸显了直接进行蛋白质分析的必要性。蛋白质组学分析已用于识别与预后相关的蛋白质特征、发现潜在的药物靶点，以及探索肿瘤的免疫微环境。例如，研究发现PD-L1蛋白的高表达与MYC、G2M检查点和E2F通路蛋白的上调相关。对血浆样本的蛋白质组学分析也揭示，免疫治疗（ICI）应答者与非应答者之间存在差异表达的蛋白质，为无创生物标志物开发提供了线索。
表观遗传学分析在NSCLC中的应用
表观遗传学涉及不改变DNA序列的基因调控机制，主要包括DNA甲基化、组蛋白修饰和非编码RNA。在NSCLC中，肿瘤抑制基因（TSGs）启动子区域的超甲基化（如CDKN2A）以及全局性的低甲基化现象都很常见。组蛋白修饰酶（如组蛋白去甲基化酶KDM2A）的过表达或突变（如KDM2C）也与肿瘤发展和免疫治疗应答相关。microRNA（miRNA）和长链非编码RNA（lncRNA）作为关键的调控分子，其异常表达会影响癌基因或抑癌基因的活性。表观遗传机制本身也成为治疗靶点，例如DNA甲基转移酶抑制剂与免疫检查点抑制剂的联用正在临床试验中探索。
代谢组学分析在NSCLC中的应用
代谢组涵盖了细胞内所有小分子代谢物。NSCLC细胞表现出显著的代谢重编程，例如糖酵解增强（Warburg效应）、氨基酸和核苷酸代谢活跃。代谢组学分析（通常使用质谱技术）发现，肿瘤组织中的乳酸、多种氨基酸和核苷酸前体水平升高。这些代谢变化不仅支持肿瘤的快速生长，还影响着肿瘤微环境（TME），特别是免疫细胞的功能。例如，高乳酸水平与较差的免疫治疗结局相关，部分原因是它抑制了树突状细胞功能并促进了免疫抑制性巨噬细胞的分化。因此，靶向肿瘤特异性代谢通路被视为一种有潜力的治疗策略。
微生物组学分析在NSCLC中的应用
肠道和肺部微生物组的组成与免疫治疗疗效之间存在关联。研究还发现，肿瘤组织内部也存在独特的微生物群落（如Proteobacteria、Firmicutes）。这些瘤内细菌可能通过调节局部炎症反应和细胞因子（如IL-8、干扰素-γ）表达来影响肿瘤免疫微环境和治疗反应。例如，一项研究发现瘤内存在Escherichia（大肠杆菌属）与接受单药免疫治疗的患者生存期改善相关。这表明，调节微生物组可能成为增强癌症治疗效果的辅助手段。
空间组学分析在NSCLC中的应用
肿瘤是一个复杂的空间生态系统，包含肿瘤细胞、免疫细胞（如CD8+T细胞、CD4+T细胞、调节性T细胞（Tregs）、巨噬细胞）、癌症相关成纤维细胞（CAFs）和血管等。空间组学技术，如多重免疫荧光（MIF）、成像质谱流式（IMC）、数字空间分析（DSP）和10x Genomics Visium，能够在保留组织空间位置信息的前提下，分析特定区域内蛋白质或基因的表达。这些研究揭示了细胞类型、密度、分布及其邻近关系与患者预后和治疗反应（尤其是免疫治疗）的密切关联。例如，淋巴细胞区域内CD44蛋白的高表达、免疫基质区域内CD66b（中性粒细胞标记）的高表达，均被发现在某些研究中与较差的免疫治疗结局相关。空间组学为理解肿瘤异质性和细胞间相互作用提供了前所未有的视角，并有助于发现新的生物标志物和联合治疗靶点。
多组学整合分析在NSCLC中的应用
尽管各项组学技术独立分析已经产生了大量数据，但生物学过程是高度交织的。多组学整合分析旨在将基因组、转录组、蛋白质组、表观基因组等不同层面的数据结合起来，利用机器学习算法（如自编码器、图卷积网络）进行早期或晚期整合，从而更全面地揭示疾病机制、识别驱动性生物标志物和对患者进行更精确的分子分型。例如，一项研究结合TCGA的基因组、转录组、甲基化和蛋白质组数据，其分类NSCLC的性能优于任何单一组学方法。整合分析还能帮助去芜存菁，从海量候选标志物中筛选出最具生物学和临床意义的目标。尽管面临数据标准化、维度灾难（“高p，小n”问题）和算法选择等挑战，多组学整合无疑是实现NSCLC，尤其是NOA-NSCLC精准肿瘤学的关键路径。
总结与展望
目前，只有基因组学在NSCLC的临床诊疗中产生了深远影响。然而，以空间组学和多组学整合为代表的新型分析技术，正以前所未有的深度和广度描绘NSCLC的生物学全景。它们为发现新的预后/预测性生物标志物、揭示耐药机制以及识别可成药的靶点（特别是针对NOA-NSCLC）带来了巨大希望。未来的研究需要更多关注晚期NSCLC样本，并明确根据基因组驱动状态（特别是NOA状态）对患者进行分层分析。通过克服技术、分析和临床转化上的挑战，多组学与空间组学分析有望将精准医疗的益处带给更广泛的NSCLC患者群体。
